論文の概要: Enhancing Medical Image Registration via Appearance Adjustment Networks
- arxiv url: http://arxiv.org/abs/2103.05213v1
- Date: Tue, 9 Mar 2021 04:24:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 15:06:36.211259
- Title: Enhancing Medical Image Registration via Appearance Adjustment Networks
- Title（参考訳）: 外観調整ネットワークによる医用画像登録の強化
- Authors: Mingyuan Meng, Lei Bi, Michael Fulham, David Dagan Feng, and Jinman
Kim
- Abstract要約: 正確な画像登録のための重要な障害は、画像の外観の変化です。
解剖保存型外観変換を生成するための外観調整ネットワーク(AAN)を提案する。
我々のAANとDLRのネットワークは、教師なしとエンドツーエンドの方法で協調的に訓練することができる。
- 参考スコア（独自算出の注目度）: 15.833742322270593
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deformable image registration is fundamental for many medical image analyses.
A key obstacle for accurate image registration is the variations in image
appearance. Recently, deep learning-based registration methods (DLRs), using
deep neural networks, have computational efficiency that is several orders of
magnitude greater than traditional optimization-based registration methods
(ORs). A major drawback, however, of DLRs is a disregard for the
target-pair-specific optimization that is inherent in ORs and instead they rely
on a globally optimized network that is trained with a set of training samples
to achieve faster registration. Thus, DLRs inherently have degraded ability to
adapt to appearance variations and perform poorly, compared to ORs, when image
pairs (fixed/moving images) have large differences in appearance. Hence, we
propose an Appearance Adjustment Network (AAN) where we leverage anatomy edges,
through an anatomy-constrained loss function, to generate an anatomy-preserving
appearance transformation. We designed the AAN so that it can be readily
inserted into a wide range of DLRs, to reduce the appearance differences
between the fixed and moving images. Our AAN and DLR's network can be trained
cooperatively in an unsupervised and end-to-end manner. We evaluated our AAN
with two widely used DLRs - Voxelmorph (VM) and FAst IMage registration (FAIM)
- on three public 3D brain magnetic resonance (MR) image datasets - IBSR18,
Mindboggle101, and LPBA40. The results show that DLRs, using the AAN, improved
performance and achieved higher results than state-of-the-art ORs.
- Abstract（参考訳）: 変形可能な画像登録は多くの医用画像解析に不可欠である。
正確な画像登録のための重要な障害は、画像の外観の変化です。
近年、深層ニューラルネットワークを用いた深層学習に基づく登録手法(DLR)は、従来の最適化に基づく登録手法(OR)よりも数桁大きい計算効率を有する。
しかし、DLRの大きな欠点は、ORに固有のターゲットペア固有の最適化を無視し、より高速な登録を実現するために一連のトレーニングサンプルでトレーニングされたグローバル最適化ネットワークに依存していることである。
このように、DLRは本質的に、画像ペア(固定/移動画像)が外観に大きな違いがある場合、ORと比較して外観の変化に適応し、性能が劣っている。
そこで, 解剖学的制約のある損失関数を用いて, 解剖学的整合性ネットワーク(AAN)を提案し, 解剖学的制約のある外観変換を生成する。
我々は,固定画像と移動画像との外観差を低減するため,広範囲のDLRに容易に挿入できるようにAANを設計した。
我々のAANとDLRのネットワークは、教師なしとエンドツーエンドの方法で協調的に訓練することができる。
我々は,3次元脳磁気共鳴(MR)画像データセット(IBSR18,Mindboggle101,LPBA40)を用いて,Voxelmorph(VM)とFAst IMage registration(FAIM)の2種類のDLRを用いてAANを評価した。
その結果, AAN を用いた DLR の性能は向上し, 最先端OR よりも高い結果が得られた。
関連論文リスト
- Eddeep: Fast eddy-current distortion correction for diffusion MRI with deep learning [2.359373908374829]
画像間の対応を復元する画像トランスレータを提案する。
また,翻訳画像の整列化のための登録モデルを提案する。
この研究は、私たちの知る限りでは、ディープラーニングでこの問題に最初に取り組みます。
論文 参考訳（メタデータ） (2024-05-17T12:11:58Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。
これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文 参考訳（メタデータ） (2023-02-05T02:41:46Z) - Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。
本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。
LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-09-26T22:22:30Z) - Unsupervised Representation Learning for 3D MRI Super Resolution with Degradation Adaptation [28.296921790037725]
高分解能(HR)磁気共鳴イメージングは、診断や画像誘導治療において医師を支援する上で重要である。
深層学習に基づく超解像再構成(SRR)は、低分解能(LR)画像から超解像(SR)画像を生成するための有望な解決策として登場した。
このようなニューラルネットワークのトレーニングには、画像取得中と画像取得間の患者の動きのために取得が困難である、整列したHRとLRイメージペアが必要である。
論文 参考訳（メタデータ） (2022-05-13T21:07:26Z) - 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) - Multimodal-Boost: Multimodal Medical Image Super-Resolution using
Multi-Attention Network with Wavelet Transform [5.416279158834623]
対応する画像分解能の喪失は、医用画像診断の全体的な性能を低下させる。
ディープラーニングベースのシングルイメージスーパーレゾリューション(SISR)アルゴリズムは、全体的な診断フレームワークに革命をもたらした。
本研究は,低周波データから高頻度情報を学習する深層マルチアテンションモジュールを用いたGAN(Generative Adversarial Network)を提案する。
論文 参考訳（メタデータ） (2021-10-22T10:13:46Z) - F3RNet: Full-Resolution Residual Registration Network for Deformable
Image Registration [21.99118499516863]
変形性画像登録(DIR)は多くの画像誘導療法に必須である。
我々は、新しい教師なし登録ネットワーク、すなわちF3RNet(Full-Resolution Residual Registration Network)を提案する。
1つのストリームは、正確なボクセルレベルの登録を容易にするフルレゾリューション情報を利用する。
他方のストリームは、深いマルチスケールの残差表現を学習し、ロバストな認識を得る。
論文 参考訳（メタデータ） (2020-09-15T15:05:54Z) - 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) - Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。
従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。
これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。
従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
論文 参考訳（メタデータ） (2019-12-30T16:27:24Z)
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。