論文の概要: Learning the Update Operator for 2D/3D Image Registration

• arxiv url: http://arxiv.org/abs/2102.02861v1
• Date: Thu, 4 Feb 2021 19:52:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-08 14:41:51.212448
• Title: Learning the Update Operator for 2D/3D Image Registration
• Title（参考訳）: 2D/3D画像登録のための更新オペレータの学習
• Authors: Srikrishna Jaganathan, Jian Wang, Anja Borsdorf, Andreas Maier
• Abstract要約: 術前ボリュームは2D/3D画像登録を用いて2D画像の上にオーバーレイすることができる。 深層学習に基づく2D/3D登録法は,計算効率とロバスト性を向上させることによって有望な結果を示した。 更新ステップ予測における登録精度は,既知演算子を持たない学習と比較して1.8倍向上した。
• 参考スコア（独自算出の注目度）: 10.720342813316531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image guidance in minimally invasive interventions is usually provided using live 2D X-ray imaging. To enhance the information available during the intervention, the preoperative volume can be overlaid over the 2D images using 2D/3D image registration. Recently, deep learning-based 2D/3D registration methods have shown promising results by improving computational efficiency and robustness. However, there is still a gap in terms of registration accuracy compared to traditional optimization-based methods. We aim to address this gap by incorporating traditional methods in deep neural networks using known operator learning. As an initial step in this direction, we propose to learn the update step of an iterative 2D/3D registration framework based on the Point-to-Plane Correspondence model. We embed the Point-to-Plane Correspondence model as a known operator in our deep neural network and learn the update step for the iterative registration. We show an improvement of 1.8 times in terms of registration accuracy for the update step prediction compared to learning without the known operator.
• Abstract（参考訳）: 最小侵襲の介入における画像誘導は、通常ライブ2次元X線イメージングを用いて提供される。 介入中に利用可能な情報を強化するために、2D / 3D画像登録を使用して2D画像に術前ボリュームをオーバーレイすることができます。 近年,深層学習に基づく2D/3D登録法は,計算効率とロバスト性の向上によって有望な結果を示している。 しかし,従来の最適化手法と比較すると,登録精度には差がある。 既知の演算子学習を用いたディープニューラルネットワークに従来の手法を組み込むことで、このギャップの解消を目指します。 この方向への最初のステップとして、Point-to-Plane Correspondenceモデルに基づいた反復2D/3D登録フレームワークの更新ステップを学ぶことを提案する。 深層ニューラルネットワークの既知の演算子としてPoint-to-Plane Correspondenceモデルを組み込み、反復的な登録のための更新ステップを学びます。 更新ステップ予測における登録精度は,既知演算子を持たない学習と比較して1.8倍向上した。

関連論文リスト

• Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
  本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
  論文  参考訳（メタデータ） (2023-07-13T08:27:09Z)
• 3D Point Cloud Pre-training with Knowledge Distillation from 2D Images [128.40422211090078]
  本稿では,2次元表現学習モデルから直接知識を取得するために,3次元ポイントクラウド事前学習モデルの知識蒸留手法を提案する。 具体的には、3Dポイントクラウドから概念特徴を抽出し、2D画像からの意味情報と比較するクロスアテンション機構を提案する。 このスキームでは,2次元教師モデルに含まれるリッチな情報から,クラウド事前学習モデルを直接学習する。
  論文  参考訳（メタデータ） (2022-12-17T23:21:04Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Super Images -- A New 2D Perspective on 3D Medical Imaging Analysis [0.0]
  トレーニング中に3次元知識を効率的に埋め込んで3次元データを扱うための,シンプルで効果的な2次元手法を提案する。 本手法は3次元画像にスライスを並べて超高分解能画像を生成する。 2次元ネットワークのみを利用した3次元ネットワークを実現する一方で、モデルの複雑さはおよそ3倍に減少する。
  論文  参考訳（メタデータ） (2022-05-05T09:59:03Z)
• Data Efficient 3D Learner via Knowledge Transferred from 2D Model [30.077342050473515]
  我々は、RGB-D画像を介して強力な2Dモデルから知識を伝達することで、3Dタスクのデータ不足に対処する。 擬似ラベルを用いたRGB-D画像の強化には,2次元画像の強いセマンティック・セマンティック・セマンティック・セマンティック・セマンティクス・モデルを用いる。 提案手法は,3次元ラベルの効率向上に適した既存の最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2022-03-16T09:14:44Z)
• Deep Iterative 2D/3D Registration [9.813316061451392]
  本稿では,反復的な登録作業にエンドツーエンドで使用できる,ディープラーニング駆動型2D/3D登録フレームワークを提案する。 我々は2D/3D登録フレームワークの更新ステップをPoint-to-Plane 対応を用いて学習する。 提案手法は平均8秒, 平均再投射距離誤差0.60$pm$ 0.40 mm, 成功率は97パーセント, 捕捉範囲60mmを実現している。
  論文  参考訳（メタデータ） (2021-07-21T10:51:29Z)
• 3D Registration for Self-Occluded Objects in Context [66.41922513553367]
  このシナリオを効果的に処理できる最初のディープラーニングフレームワークを紹介します。 提案手法はインスタンスセグメンテーションモジュールとポーズ推定モジュールから構成される。 これにより、高価な反復手順を必要とせず、ワンショットで3D登録を行うことができます。
  論文  参考訳（メタデータ） (2020-11-23T08:05:28Z)
• Bridging the Reality Gap for Pose Estimation Networks using Sensor-Based Domain Randomization [1.4290119665435117]
  合成データに基づいて訓練された手法は、2Dの領域ランダム化をより発展させるため、2D画像を使用する。 提案手法では,3次元データをネットワークに統合し,ポーズ推定の精度を高める。 3つの大規模ポーズ推定ベンチマーク実験により, 提案手法は, 合成データを用いた従来手法よりも優れていたことがわかった。
  論文  参考訳（メタデータ） (2020-11-17T09:12:11Z)
• Human Body Model Fitting by Learned Gradient Descent [48.79414884222403]
  画像に3次元の人体形状を適合させる新しいアルゴリズムを提案する。 このアルゴリズムは高速(約120ms収束)で、データセットに頑健であり、公開評価データセットの最先端結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-08-19T14:26:47Z)
• 2.75D: Boosting learning by representing 3D Medical imaging to 2D features for small data [54.223614679807994]
  3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。 3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。 本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。 その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
  論文  参考訳（メタデータ） (2020-02-11T08:24:19Z)

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。