論文の概要: FlowReg: Fast Deformable Unsupervised Medical Image Registration using
Optical Flow
- arxiv url: http://arxiv.org/abs/2101.09639v1
- Date: Sun, 24 Jan 2021 03:51:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-19 09:08:46.578166
- Title: FlowReg: Fast Deformable Unsupervised Medical Image Registration using
Optical Flow
- Title（参考訳）: FlowReg:光フローを用いた高速変形不能な医用画像登録
- Authors: Sergiu Mocanu, Alan R. Moody, April Khademi
- Abstract要約: FlowRegは、ニューロイメージングアプリケーションのための教師なしイメージ登録のためのフレームワークである。
flowregは解剖学と病理の形状と構造を維持しながら、強度と空間的類似性を得ることができる。
- 参考スコア（独自算出の注目度）: 0.09167082845109438
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose FlowReg, a deep learning-based framework for unsupervised image
registration for neuroimaging applications. The system is composed of two
architectures that are trained sequentially: FlowReg-A which affinely corrects
for gross differences between moving and fixed volumes in 3D followed by
FlowReg-O which performs pixel-wise deformations on a slice-by-slice basis for
fine tuning in 2D. The affine network regresses the 3D affine matrix based on a
correlation loss function that enforces global similarity. The deformable
network operates on 2D image slices based on the optical flow network
FlowNet-Simple but with three loss components. The photometric loss minimizes
pixel intensity differences differences, the smoothness loss encourages similar
magnitudes between neighbouring vectors, and a correlation loss that is used to
maintain the intensity similarity between fixed and moving image slices. The
proposed method is compared to four open source registration techniques ANTs,
Demons, SE, and Voxelmorph. In total, 4643 FLAIR MR imaging volumes are used
from dementia and vascular disease cohorts, acquired from over 60 international
centres with varying acquisition parameters. A battery of quantitative novel
registration validation metrics are proposed that focus on the structural
integrity of tissues, spatial alignment, and intensity similarity. Experimental
results show FlowReg (FlowReg-A+O) performs better than iterative-based
registration algorithms for intensity and spatial alignment metrics with a
Pixelwise Agreement of 0.65, correlation coefficient of 0.80, and Mutual
Information of 0.29. Among the deep learning frameworks, FlowReg-A or
FlowReg-A+O provided the highest performance over all but one of the metrics.
Results show that FlowReg is able to obtain high intensity and spatial
similarity while maintaining the shape and structure of anatomy and pathology.
- Abstract（参考訳）: 神経画像アプリケーションのための教師なし画像登録のためのディープラーニングベースのフレームワークであるflowregを提案する。
システムは、連続的にトレーニングされる2つのアーキテクチャで構成されている。3Dにおける移動量と固定ボリュームの全体差を親和的に補正するFlowReg-Aと、2Dにおける微調整のためにスライス・バイ・スライスベースで画素方向の変形を実行するFlowReg-Oである。
アフィンネットワークは、大域的類似性を強制する相関損失関数に基づいて、3Dアフィン行列を回帰する。
変形可能なネットワークは、光フローネットワークFlowNet-Simpleに基づく2次元画像スライスで動作するが、3つの損失成分を持つ。
測光損失は画素強度差を最小化し、滑らかさ損失は隣接ベクトル間の等等等級を奨励し、固定画像スライスと移動画像スライス間の強度類似性を維持するために用いられる相関損失を助長する。
提案手法は,ANT,Demons,SE,Voxelmorphの4つのオープンソース登録手法と比較した。
総計で4643個のFLAIR MR画像が認知症と血管疾患コホートから使用され、60以上の国際センターから取得され、取得パラメータは様々である。
組織の構造的整合性,空間的アライメント,強度類似性に着目した,定量的な新規登録評価指標の電池を提案する。
実験の結果,flowreg (flowreg-a+o) は,0.65の画素分割,0.80の相関係数,0.29の相互情報で,強度・空間アライメント指標に対する反復型登録アルゴリズムよりも優れた性能を示した。
ディープラーニングフレームワークのうち、FlowReg-AまたはFlowReg-A+Oは、メトリクスの1つを除いて、最高パフォーマンスを提供した。
その結果,flowregは解剖学と病理学の形状と構造を維持しつつ,強度と空間的類似性を得ることができることがわかった。
関連論文リスト
- FLD+: Data-efficient Evaluation Metric for Generative Models [4.093503153499691]
本稿では,より信頼性が高く,データ効率が高く,計算効率が高く,新しい領域に適応可能な生成画像の品質を評価するための新しい指標を提案する。
提案した計量は、任意の領域からの画像の密度(正確には対数のような)の計算を可能にする正規化フローに基づいている。
論文 参考訳（メタデータ） (2024-11-23T15:12:57Z) - WiNet: Wavelet-based Incremental Learning for Efficient Medical Image Registration [68.25711405944239]
深部画像登録は異常な精度と高速な推測を示した。
近年の進歩は、粗大から粗大の方法で密度変形場を推定するために、複数のカスケードまたはピラミッドアーキテクチャを採用している。
本稿では,様々なスケールにわたる変位/速度場に対して,スケールワイブレット係数を漸進的に推定するモデル駆動WiNetを提案する。
論文 参考訳（メタデータ） (2024-07-18T11:51:01Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - RetinaRegNet: A Zero-Shot Approach for Retinal Image Registration [10.430563602981705]
RetinaRegNetは、最小のオーバーラップ、大きな変形、さまざまな画質で網膜画像を登録するために設計されたゼロショット登録モデルである。
大規模な変形を処理するための2段階の登録フレームワークを実装した。
私たちのモデルは、すべてのデータセットで常に最先端のメソッドより優れています。
論文 参考訳（メタデータ） (2024-04-24T17:50:37Z) - AI pipeline for accurate retinal layer segmentation using OCT 3D images [3.938455123895825]
いくつかの古典的およびAIベースのアルゴリズムが組み合わせてテストされ、動物イメージングシステムからのデータとの互換性を確認している。
単純で実装可能な解析方程式は、平均ピクセル値の1%インクリメントで輝度操作に有効であることが示されている。
厚み推定処理は、手動の注釈付き標準データと比較して6%の誤差を有する。
論文 参考訳（メタデータ） (2023-02-15T17:46:32Z) - CRAFT: Cross-Attentional Flow Transformer for Robust Optical Flow [23.457898451057275]
光フロー推定は、2つの画像間の対応する画素を識別することで2次元運動場を求めることを目的としている。
深層学習に基づく光学フロー法が著しく進歩しているにもかかわらず、動きのぼやけた大きな変位を正確に推定することは依然として困難である。
これは主に、2つの画像の畳み込み特徴のドット積として画素マッチングの基礎となる相関体積が計算されるためである。
本稿では,CRAFT (CRoss-Attentional Flow Transformer) アーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-03-31T09:05:00Z) - A Robust Multimodal Remote Sensing Image Registration Method and System
Using Steerable Filters with First- and Second-order Gradients [7.813406811407584]
非線形ラジオメトリック差(NRD)と有意な幾何学的歪みのため,マルチモーダルリモートセンシング画像の同時登録は現在も進行中の課題である。
本稿では,2つの重要なステップからなるステアブルフィルタに基づくロバストマッチング手法を提案する。
提案手法の性能を多種類のマルチモーダルRS画像を用いて評価した。
論文 参考訳（メタデータ） (2022-02-27T12:22:42Z) - Hierarchical Conditional Flow: A Unified Framework for Image
Super-Resolution and Image Rescaling [139.25215100378284]
画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。
HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。
さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
論文 参考訳（メタデータ） (2021-08-11T16:11:01Z) - Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。
実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文 参考訳（メタデータ） (2021-04-05T21:44:00Z) - 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) - FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for
Optical Flow Estimation [72.41370576242116]
フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。
ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。
実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
論文 参考訳（メタデータ） (2020-01-17T07:13:51Z)
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。