論文の概要: Symmetric-Constrained Irregular Structure Inpainting for Brain MRI Registration with Tumor Pathology

• arxiv url: http://arxiv.org/abs/2101.06775v1
• Date: Sun, 17 Jan 2021 20:38:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 22:04:02.569992
• Title: Symmetric-Constrained Irregular Structure Inpainting for Brain MRI Registration with Tumor Pathology
• Title（参考訳）: 腫瘍病変を有する脳MRIレジストレーションにおけるシンメトリー制約不規則構造
• Authors: Xiaofeng Liu, Fangxu Xing, Chao Yang, C.-C. Jay Kuo, Georges ElFakhri, Jonghye Woo
• Abstract要約: 腫瘍領域に合成組織強度を発生させるコンテキスト認識型画像インパインティングフレームワークを提案する。 パッチワイズ機能間のセマンティックな関連性をモデル化して詳細を洗練するために,機能レベルのパッチマッチ改善モジュールを適用した。 提案手法は,信号対雑音比,構造類似度指数,ピーク信号対雑音比,L1誤差を低減した結果を得た。
• 参考スコア（独自算出の注目度）: 33.90454917741234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deformable registration of magnetic resonance images between patients with brain tumors and healthy subjects has been an important tool to specify tumor geometry through location alignment and facilitate pathological analysis. Since tumor region does not match with any ordinary brain tissue, it has been difficult to deformably register a patients brain to a normal one. Many patient images are associated with irregularly distributed lesions, resulting in further distortion of normal tissue structures and complicating registration's similarity measure. In this work, we follow a multi-step context-aware image inpainting framework to generate synthetic tissue intensities in the tumor region. The coarse image-to-image translation is applied to make a rough inference of the missing parts. Then, a feature-level patch-match refinement module is applied to refine the details by modeling the semantic relevance between patch-wise features. A symmetry constraint reflecting a large degree of anatomical symmetry in the brain is further proposed to achieve better structure understanding. Deformable registration is applied between inpainted patient images and normal brains, and the resulting deformation field is eventually used to deform original patient data for the final alignment. The method was applied to the Multimodal Brain Tumor Segmentation (BraTS) 2018 challenge database and compared against three existing inpainting methods. The proposed method yielded results with increased peak signal-to-noise ratio, structural similarity index, inception score, and reduced L1 error, leading to successful patient-to-normal brain image registration.
• Abstract（参考訳）: 脳腫瘍患者と健常者の磁気共鳴画像の変形性登録は、位置アライメントによって腫瘍の形状を特定する重要なツールであり、病理学的解析を容易にする。 腫瘍領域は通常の脳組織と一致しないため、患者の脳を正常な組織に変形的に登録することは困難である。 多くの患者画像は、不規則に分布した病変と関連しており、正常な組織構造のさらなる歪みと登録の類似性尺度の複雑化をもたらす。 本研究は,腫瘍領域の合成組織強度を生成するために,多段階のコンテキスト認識画像塗布フレームワークに従う。 粗い画像と画像の変換を適用して、欠落部分の粗い推測を行う。 次に,パッチ毎の機能間の意味的関連性をモデル化することにより,細部を洗練するために,機能レベルのパッチマッチリファインメントモジュールを適用する。 さらに、より優れた構造理解を実現するために、脳内の解剖学的対称性を反映する対称性制約を提案する。 塗布された患者画像と正常脳の間で変形可能な登録が適用され、最終的なアライメントのために元の患者データを変形するために結果の変形場が最終的に使用される。 この方法は、Multimodal Brain tumor Segmentation (BraTS) 2018 Challenge databaseに適用され、既存の3つの塗装法と比較された。 提案手法は,ピーク信号対雑音比,構造類似度指数,開始スコア,L1誤差を低減し,患者と正常な脳画像の登録に成功した。

関連論文リスト

• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Robust Image Registration with Absent Correspondences in Pre-operative and Follow-up Brain MRI Scans of Diffuse Glioma Patients [11.4219428942199]
  術前および術後の脳MRIスキャンのための3段階登録パイプラインを提案する。 提案手法は,BraTS-Regチャレンジの検証セットにおいて,1.64mm,88%の絶対誤差を実現する。
  論文  参考訳（メタデータ） (2022-10-20T06:37:40Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• Latent Correlation Representation Learning for Brain Tumor Segmentation with Missing MRI Modalities [2.867517731896504]
  MR画像から正確な脳腫瘍を抽出することが臨床診断と治療計画の鍵となる。 臨床におけるいくつかのイメージングモダリティを見逃すのが一般的です。 本稿では,新しい脳腫瘍分割アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-13T14:21:09Z)
• A Deep Network for Joint Registration and Reconstruction of Images with Pathologies [23.482220384665165]
  本稿では,脳腫瘍の画像をアトラスに登録する深層学習手法を提案する。 本モデルでは,腫瘍のある画像からアトラスへの画像マッピングを学習し,同時にアトラス空間への変換を予測した。 人工脳腫瘍と実際の脳腫瘍の2つの検査結果から,本手法はアトラスへの登録に要するコスト関数マスキングよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2020-08-17T21:26:02Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Automatic Segmentation of Non-Tumor Tissues in Glioma MR Brain Images Using Deformable Registration with Partial Convolutional Networks [0.0]
  われわれはまずU-Netを用いて脳腫瘍を分離し,正常な組織を模倣する新しい登録法を提案する。 提案アルゴリズムと直接登録を比較した結果, 灰白質のDice係数は正常な脳組織に対して有意に改善された。
  論文  参考訳（メタデータ） (2020-07-10T07:58:23Z)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。