論文の概要: INSPIRE: Intensity and Spatial Information-Based Deformable Image Registration

• arxiv url: http://arxiv.org/abs/2012.07208v1
• Date: Mon, 14 Dec 2020 01:51:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-08 14:32:45.828029
• Title: INSPIRE: Intensity and Spatial Information-Based Deformable Image Registration
• Title（参考訳）: INSPIRE:強度と空間情報に基づく変形可能な画像登録
• Authors: Johan \"Ofverstedt, Joakim Lindblad, Nata\v{s}a Sladoje
• Abstract要約: INSPIREは、変形可能な画像登録のためのトップパフォーマンス汎用方法です。 提案手法は, 精度が高く, 安定かつ頑健な登録結果を提供する。 また,脳の3次元画像の4つのベンチマークデータセットを用いて,2088対のペア登録を行った。
• 参考スコア（独自算出の注目度）: 3.584984184069584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present INSPIRE, a top-performing general-purpose method for deformable image registration. INSPIRE extends our existing symmetric registration framework based on distances combining intensity and spatial information to an elastic B-splines based transformation model. We also present several theoretical and algorithmic improvements which provide high computational efficiency and thereby applicability of the framework in a wide range of real scenarios. We show that the proposed method delivers both highly accurate as well as stable and robust registration results. We evaluate the method on a synthetic dataset created from retinal images, consisting of thin networks of vessels, where INSPIRE exhibits excellent performance, substantially outperforming the reference methods. We also evaluate the method on four benchmark datasets of 3D images of brains, for a total of 2088 pairwise registrations; a comparison with 15 other state-of-the-art methods reveals that INSPIRE provides the best overall performance. Code is available at github.com/MIDA-group/inspire.
• Abstract（参考訳）: InSPIREは,変形可能な画像登録のための汎用手法である。 InSPIREは、強度と空間情報を組み合わせた距離に基づく既存の対称登録フレームワークを、弾性B-スプライン変換モデルに拡張する。 また,計算効率が向上し,様々なシナリオにおいてフレームワークの適用性が向上する,いくつかの理論的およびアルゴリズム的改善も提示する。 提案手法は, 精度が高く, 安定かつ頑健な登録結果を提供する。 本研究では,INSPIREが優れた性能を示し,参照法を著しく上回る,細い血管網からなる網膜画像から生成された合成データセットの評価を行った。 また、脳の3d画像のベンチマークデータセット4セットにおいて、合計2088のペアワイズ登録を行い、inspireが最高の全体的なパフォーマンスを提供することを示す15の最先端手法と比較した。 コードはgithub.com/MIDA-group/inspireで入手できる。

関連論文リスト

• OrientDream: Streamlining Text-to-3D Generation with Explicit Orientation Control [66.03885917320189]
  OrientDreamは、テキストプロンプトから効率よくマルチビューで一貫した3D生成のためのカメラ指向条件付きフレームワークである。 本戦略は,2次元テキスト・画像拡散モジュールの事前学習におけるカメラ配向条件付き機能の実装を強調する。 提案手法は,一貫したマルチビュー特性を持つ高品質なNeRFモデルを生成するだけでなく,既存手法よりも最適化速度が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2024-06-14T13:16:18Z)
• ConKeD++ -- Improving descriptor learning for retinal image registration: A comprehensive study of contrastive losses [6.618504904743609]
  本稿では,カラーファンドイメージ登録のための最先端フレームワークであるConKeDの試験と改良を提案する。 ConKeDフレームワークを使用して、複数の損失関数をテストし、フレームワークとアプリケーションドメインに適応します。 私たちの研究は、すべてのデータセットとメトリクスにわたる最先端のパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2024-04-25T17:24:35Z)
• Layered Rendering Diffusion Model for Zero-Shot Guided Image Synthesis [60.260724486834164]
  本稿では,テキストクエリに依存する拡散モデルにおける空間制御性向上のための革新的な手法を提案する。 視覚誘導(Vision Guidance)とレイヤーレンダリング拡散(Layered Rendering Diffusion)フレームワーク(Layered Diffusion)という2つの重要なイノベーションを提示します。 本稿では,ボックス・ツー・イメージ,セマンティック・マスク・ツー・イメージ,画像編集の3つの実践的応用に適用する。
  論文  参考訳（メタデータ） (2023-11-30T10:36:19Z)
• Embedded Feature Similarity Optimization with Specific Parameter Initialization for 2D/3D Medical Image Registration [4.533408985664949]
  医用画像登録のための新しい深層学習フレームワークを提案する。 提案フレームワークは, 特殊訓練技術と新規な複合接続を用いて, マルチスケールの特徴を抽出する。 本実験により,本手法は登録性能を向上し,既存の手法を精度,実行時間で上回っていることが示された。
  論文  参考訳（メタデータ） (2023-05-10T15:33:15Z)
• Imposing Consistency for Optical Flow Estimation [73.53204596544472]
  プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。 本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-14T22:58:30Z)
• Deformable Image Registration using Neural ODEs [15.245085400790002]
  ニューラル常微分方程式(NODE)を利用した汎用的で高速かつ高精度な微分型画像登録フレームワークを提案する。 従来の最適化手法と比較して、我々のフレームワークは実行時間を数十分から数十秒に短縮する。 実験の結果, 提案手法の登録結果は, 各種測定値において, 最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-07T12:54:17Z)
• An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
  カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。 正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T02:27:55Z)
• Cascaded Feature Warping Network for Unsupervised Medical Image Registration [11.052668687673998]
  我々は,細部まで粗い登録を行うために,カスケード特徴ウォーピングネットワークを事前に設定する。 共有重みエンコーダネットワークを採用し、不整合画像の特徴ピラミッドを生成する。 その結果,本手法は最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-15T08:50:06Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)
• Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
  形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。 ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。 合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-04-01T12:56:13Z)

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。