論文の概要: Constraining Volume Change in Learned Image Registration for Lung CTs
- arxiv url: http://arxiv.org/abs/2011.14372v1
- Date: Sun, 29 Nov 2020 14:09:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 09:02:11.179484
- Title: Constraining Volume Change in Learned Image Registration for Lung CTs
- Title（参考訳）: 肺CTの学習画像登録におけるボリューム変化の抑制
- Authors: Alessa Hering, Stephanie H\"ager, Jan Moltz, Nikolas Lessmann, Stefan
Heldmann and Bram van Ginneken
- Abstract要約: 本稿では,従来の肺登録法の重要な戦略を特定し,深層学習法の開発に成功した。
我々は、粗い方法で画像登録の最適化を解くことができるガウスピラミドに基づくマルチレベルフレームワークを採用している。
本研究は, COPDGeneデータセット上で, 従来よりもはるかに短い実行時間で, 従来の登録方式と比較して, 最先端の成果をアーカイブすることを示す。
- 参考スコア（独自算出の注目度）: 4.37795447716986
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep-learning-based registration methods emerged as a fast alternative to
conventional registration methods. However, these methods often still cannot
achieve the same performance as conventional registration methods, because they
are either limited to small deformation or they fail to handle a superposition
of large and small deformations without producing implausible deformation
fields with foldings inside.
In this paper, we identify important strategies of conventional registration
methods for lung registration and successfully developed the deep-learning
counterpart. We employ a Gaussian-pyramid-based multilevel framework that can
solve the image registration optimization in a coarse-to-fine fashion.
Furthermore, we prevent foldings of the deformation field and restrict the
determinant of the Jacobian to physiologically meaningful values by combining a
volume change penalty with a curvature regularizer in the loss function.
Keypoint correspondences are integrated to focus on the alignment of smaller
structures.
We perform an extensive evaluation to assess the accuracy, the robustness,
the plausibility of the estimated deformation fields, and the transferability
of our registration approach. We show that it archives state-of-the-art results
on the COPDGene dataset compared to the challenge winning conventional
registration method with much shorter execution time.
- Abstract（参考訳）: ディープラーニングに基づく登録手法は,従来の登録方式の高速代替として出現した。
しかし、これらの手法は、小さな変形に制限されたり、大きな変形や小さな変形の重ね合わせに対処できず、内部に折りたたみのある目立たない変形場を生じさせることなく、従来の登録法と同等の性能を達成できないことが多い。
本稿では,従来の肺登録法の重要な戦略を特定し,深層学習法の開発に成功した。
我々は,gaussian-pyramid-based multilevel frameworkを用いて画像登録の最適化を粗い方法で解決する。
さらに, 変形場の折り畳みを防止し, 損失関数における体積変化ペナルティと曲率調整器を組み合わせることにより, ヤコビアンを生理的に有意義な値に限定する。
キーポイント対応は、より小さな構造のアライメントに集中するために統合される。
我々は, 登録手法の精度, 頑健性, 推定変形場の可能性, 移動性を評価するため, 広範囲な評価を行った。
本研究は, COPDGeneデータセット上で, 従来の登録方式と比較して, より短い実行時間で, 結果のアーカイブを行うことを示す。
関連論文リスト
- PULPo: Probabilistic Unsupervised Laplacian Pyramid Registration [3.2868275835047243]
変形可能な画像登録は多くの医療画像応用に基礎がある。
本研究では不確実な定量化が可能な確率的変形可能な登録法であるPULPoを提案する。
論文 参考訳（メタデータ） (2024-07-15T09:30:31Z) - Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。
特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。
拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
論文 参考訳（メタデータ） (2024-06-26T17:40:30Z) - Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple
Logits Retargeting Approach [102.0769560460338]
我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。
提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2024-03-01T03:27:08Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳（メタデータ） (2023-10-18T02:59:57Z) - Joint segmentation and discontinuity-preserving deformable registration:
Application to cardiac cine-MR images [74.99415008543276]
多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。
本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。
入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。
大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
論文 参考訳（メタデータ） (2022-11-24T23:45:01Z) - A Deep-Discrete Learning Framework for Spherical Surface Registration [4.7633236054762875]
皮質表面の登録は神経画像解析の基本的なツールである。
本稿では,登録を多ラベル分類問題に変換する,教師なし学習に基づく新しいフレームワークを提案する。
実験により,提案するフレームワークは,最もポピュラーな古典的表面登録アルゴリズムと比較して,類似性やアラル歪みの点で競合的に動作することが示された。
論文 参考訳（メタデータ） (2022-03-24T11:47:11Z) - Deformable Image Registration with Deep Network Priors: a Study on
Longitudinal PET Images [0.5949967357689445]
本稿では,Deep Image Priorに触発されて,画像登録問題に取り組むためのレギュレータとして,Deep Architectureの異なる利用法を提案する。
変形場を制約する先行モデルである深層ピラミッド構造に頼って,MIRRBAと呼ばれる対象固有の変形可能な登録手法を提案する。
深層建築の正規化力を実証し,登録のための深層学習手法におけるアーキテクチャの役割を理解するための新しい要素を提示する。
論文 参考訳（メタデータ） (2021-11-22T10:58:14Z) - A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。
本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。
本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
論文 参考訳（メタデータ） (2021-07-09T13:35:59Z) - Unimodal Cyclic Regularization for Training Multimodal Image
Registration Networks [22.94932232413841]
そこで本研究では,より単純な一元的登録からタスク固有の事前知識を学習する一元的循環正規化学習パイプラインを提案する。
腹部CT-MRレジストレーション実験では,従来の正規化法よりも優れた結果が得られた。
論文 参考訳（メタデータ） (2020-11-12T05:37:30Z) - An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。
本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。
現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
論文 参考訳（メタデータ） (2020-05-19T06:00:13Z) - Deformable Groupwise Image Registration using Low-Rank and Sparse
Decomposition [0.23310144143158676]
本稿では,画像登録におけるRPCA-dissimi-larityの欠点について検討する。
非パラメトリックな登録問題の解法として, 1次原始双対最適化に基づく理論的に正当化されたマルチレベルスキームを提案する。
論文 参考訳（メタデータ） (2020-01-10T15:25:36Z)
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。