論文の概要: A method for large diffeomorphic registration via broken geodesics
- arxiv url: http://arxiv.org/abs/2011.14298v2
- Date: Sun, 3 Jan 2021 05:49:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 09:04:05.652263
- Title: A method for large diffeomorphic registration via broken geodesics
- Title（参考訳）: 破壊測地学による大規模微分型登録法
- Authors: Alphin J. Thottupattu, Jayanthi Sivaswamy, Venkateswaran P. Krishnan
- Abstract要約: 長手データやオブジェクト間データに見られる解剖学的変動は通常、下層の変形によって記述される。
非剛性登録アルゴリズムは広く登録に使われている。
小変形の有限組成に大変形を分解する手法を提案する。
- 参考スコア（独自算出の注目度）: 3.2188961353850187
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anatomical variabilities seen in longitudinal data or inter-subject data is
usually described by the underlying deformation, captured by non-rigid
registration of these images. Stationary Velocity Field (SVF) based non-rigid
registration algorithms are widely used for registration. SVF based methods
form a metric-free framework which captures a finite dimensional submanifold of
deformations embedded in the infinite dimensional smooth manifold of
diffeomorphisms. However, these methods cover only a limited degree of
deformations. In this paper, we address this limitation and define an
approximate metric space for the manifold of diffeomorphisms $\mathcal{G}$. We
propose a method to break down the large deformation into finite compositions
of small deformations. This results in a broken geodesic path on $\mathcal{G}$
and its length now forms an approximate registration metric. We illustrate the
method using a simple, intensity-based, log-demon implementation. Validation
results of the proposed method show that it can capture large and complex
deformations while producing qualitatively better results than the
state-of-the-art methods. The results also demonstrate that the proposed
registration metric is a good indicator of the degree of deformation.
- Abstract（参考訳）: 縦断データやサブジェクト間データに見られる解剖学的変動は、通常、これらの画像の非剛性登録によってキャプチャされた基底変形によって記述される。
静止速度場(SVF)に基づく非剛性登録アルゴリズムは、広く登録に使われている。
SVF法は、微分同相の無限次元滑らかな多様体に埋め込まれた変形の有限次元部分多様体をキャプチャする計量自由フレームワークを形成する。
しかし、これらの手法は変形の程度に限られる。
本稿では、この制限を扱い、微分同相写像 $\mathcal{g}$ の多様体の近似距離空間を定義する。
本稿では,大変形を小変形の有限成分に分解する方法を提案する。
これにより、$\mathcal{g}$ の測地線が破れ、その長さは近似登録計量となる。
本手法は,単純で強度に基づくログデーモン実装を用いて記述する。
提案手法の検証結果は, 従来手法よりも定性的に優れた結果が得られる一方で, 大規模かつ複雑な変形を捉えることができることを示す。
また,提案した登録基準が変形の程度を示す良い指標であることを示す。
関連論文リスト
- Basis restricted elastic shape analysis on the space of unregistered
surfaces [10.543359560247847]
本稿では,表面解析のための新しい数学的および数値的枠組みを提案する。
私たちが開発しているアプローチの特異性は、許容変換の空間を変形場の予め定義された有限次元基底に制限することである。
我々は、人体形状やポーズデータ、人間の顔スキャンに対するアプローチを具体的に検証し、形状登録、移動移動、ランダムポーズ生成といった問題に対して、一般的に最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-07T23:06:22Z) - A Heat Diffusion Perspective on Geodesic Preserving Dimensionality
Reduction [66.21060114843202]
熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。
その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。
また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
論文 参考訳（メタデータ） (2023-05-30T13:58:50Z) - Sliding at first order: Higher-order momentum distributions for
discontinuous image registration [5.987650121126747]
そこで本研究では,すべり動作をキャプチャする変形可能な画像登録手法を提案する。
大規模変形微分型メートル法 (LDDMM) の登録法は, 平滑な反りを生じるため, すべり運動の表現が困難である。
論文 参考訳（メタデータ） (2023-03-14T09:42:49Z) - Reduced Representation of Deformation Fields for Effective Non-rigid
Shape Matching [26.77241999731105]
変形場の縮小表現を利用して,非剛体物体間の対応を計算するための新しい手法を提案する。
ネットワークは空間(ノード)における粗い位置の変形パラメータを学習させることにより、滑らかさを保証された閉形式の連続的な変形場を再構築する。
我々のモデルは高い表現力を持ち、複雑な変形を捉えることができる。
論文 参考訳（メタデータ） (2022-11-26T16:11:17Z) - Unsupervised diffeomorphic cardiac image registration using
parameterization of the deformation field [6.343400988017304]
本研究では,移動メッシュパラメータ化に基づくエンドツーエンドの非教師付き微分同相変形型登録フレームワークを提案する。
提案手法の有効性を,2次元および3次元心臓MRIスキャンを含む3つの異なるデータセット上で評価することにより検討した。
論文 参考訳（メタデータ） (2022-08-28T19:34:10Z) - Probabilistic Registration for Gaussian Process 3D shape modelling in
the presence of extensive missing data [63.8376359764052]
本稿では,ガウス過程の定式化に基づく形状適合/登録手法を提案する。
様々な変換を持つ2次元の小さなデータセットと耳の3次元データセットの両方で実験が行われる。
論文 参考訳（メタデータ） (2022-03-26T16:48:27Z) - Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。
我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文 参考訳（メタデータ） (2022-02-11T13:51:30Z) - Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。
DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
論文 参考訳（メタデータ） (2021-06-14T17:19:44Z) - ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。
複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文 参考訳（メタデータ） (2021-02-16T04:07:13Z) - Large Deformation Diffeomorphic Image Registration with Laplacian
Pyramid Networks [11.4219428942199]
本稿では,画像登録最適化問題を解くために,ラプラシアンピラミッド画像登録ネットワークを提案する。
提案手法は, 良好な微分特性と有望な登録速度を維持しつつ, 既存の手法よりも有意なマージンで性能を向上する。
論文 参考訳（メタデータ） (2020-06-29T16:10:40Z) - Dense Non-Rigid Structure from Motion: A Manifold Viewpoint [162.88686222340962]
Non-Rigid Structure-from-Motion (NRSfM) 問題は、複数のフレームにまたがる2次元特徴対応から変形物体の3次元形状を復元することを目的としている。
提案手法は,ノイズに対する精度,スケーラビリティ,堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2020-06-15T09:15:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。