Fugu-MT 論文翻訳(概要): Test-Time Training for Deformable Multi-Scale Image Registration

論文の概要: Test-Time Training for Deformable Multi-Scale Image Registration

arxiv url: http://arxiv.org/abs/2103.13578v1
Date: Thu, 25 Mar 2021 03:22:59 GMT
ステータス: 処理完了
システム内更新日: 2021-03-26 23:12:28.803022
Title: Test-Time Training for Deformable Multi-Scale Image Registration
Title（参考訳）: 変形可能なマルチスケール画像登録のためのテスト時間トレーニング
Authors: Wentao Zhu and Yufang Huang and Daguang Xu and Zhen Qian and Wei Fan and Xiaohui Xie
Abstract要約: VoxelMorphのようなディープラーニングベースの登録アプローチが出現し、競争パフォーマンスを達成しています。従来の学習型登録モデルの一般化能力を向上させるために, デフォーマブル画像登録のためのテストタイムトレーニングを構築した。
参考スコア（独自算出の注目度）: 15.523457398508263
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Registration is a fundamental task in medical robotics and is often a crucial step for many downstream tasks such as motion analysis, intra-operative tracking and image segmentation. Popular registration methods such as ANTs and NiftyReg optimize objective functions for each pair of images from scratch, which are time-consuming for 3D and sequential images with complex deformations. Recently, deep learning-based registration approaches such as VoxelMorph have been emerging and achieve competitive performance. In this work, we construct a test-time training for deep deformable image registration to improve the generalization ability of conventional learning-based registration model. We design multi-scale deep networks to consecutively model the residual deformations, which is effective for high variational deformations. Extensive experiments validate the effectiveness of multi-scale deep registration with test-time training based on Dice coefficient for image segmentation and mean square error (MSE), normalized local cross-correlation (NLCC) for tissue dense tracking tasks. Two videos are in https://www.youtube.com/watch?v=NvLrCaqCiAE and https://www.youtube.com/watch?v=pEA6ZmtTNuQ
Abstract（参考訳）: 登録は医療ロボットの基本的なタスクであり、動作分析、術中追跡、画像分割など多くの下流タスクにとって重要なステップである。 ANTsやNiftyRegなどの一般的な登録方法は、複雑な変形を伴う3Dおよびシーケンシャルな画像に要する時間である、スクラッチから各画像の目的関数を最適化する。近年,VoxelMorphのようなディープラーニングベースの登録手法が登場し,競争性能が向上している。本研究では,従来の学習ベース登録モデルの一般化能力を向上させるために,深い変形可能な画像登録のためのテストタイムトレーニングを構築する。残留変形を連続的にモデル化するマルチスケールディープネットワークを設計し,高変動変形に有効である。画像分割と平均二乗誤差(mse, normalized local cross-correlation, nlcc)による組織濃密な追跡課題に対する, dice係数に基づくテストタイムトレーニングによる多スケール深層登録の有効性を検証した。 https://www.youtube.com/watch?v=NvLrCaqCiAE と https://www.youtube.com/watch?v=pEA6ZmtTNuQ

関連論文リスト

Combating Missing Modalities in Egocentric Videos at Test Time [92.38662956154256]
現実のアプリケーションは、プライバシの懸念、効率性の必要性、ハードウェアの問題により、不完全なモダリティを伴う問題に直面することが多い。再トレーニングを必要とせずに,テスト時にこの問題に対処する新しい手法を提案する。 MiDlは、欠落したモダリティをテスト時にのみ扱う、自己管理型のオンラインソリューションとしては初めてのものだ。
論文参考訳（メタデータ） (2024-04-23T16:01:33Z)
MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。 SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
論文参考訳（メタデータ） (2024-03-20T09:17:22Z)
FastMIM: Expediting Masked Image Modeling Pre-training for Vision [65.47756720190155]
FastMIMは低解像度の入力画像で視覚バックボーンを事前訓練するためのフレームワークである。入力画像のRGB値の代わりに、向き付け勾配のヒストグラム(Histograms of Oriented Gradients,HOG)機能を再構成する。 ViT-B/Swin-Bをバックボーンとし、ImageNet-1Kで83.8%/84.1%のトップ1の精度を達成できる。
論文参考訳（メタデータ） (2022-12-13T14:09:32Z)
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)
Non-iterative Coarse-to-fine Registration based on Single-pass Deep Cumulative Learning [11.795108660250843]
変形可能な画像登録のための非Iterative Coarse-to-finE登録ネットワーク(NICE-Net)を提案する。 NICE-Netは、非イテレーティブメソッドと同じようなランタイムしか必要とせず、最先端の反復的な深層登録手法より優れている。
論文参考訳（メタデータ） (2022-06-25T08:34:59Z)
Stochastic Planner-Actor-Critic for Unsupervised Deformable Image Registration [33.72954116727303]
本稿では,大きく変形する医療画像の段階的登録を行う,新しい強化学習ベースのフレームワークを提案する。本手法は2次元および3次元の医用画像データセットを用いて評価し,その一部は大きな変形を含む。
論文参考訳（メタデータ） (2021-12-14T14:08:56Z)
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)
Learning a Model-Driven Variational Network for Deformable Image Registration [89.9830129923847]
VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。登録精度において最先端のディープラーニング手法よりも優れています。ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
論文参考訳（メタデータ） (2021-05-25T21:37:37Z)
A Meta-Learning Approach for Medical Image Registration [6.518615946009265]
グラデーションベースのメタラーニングフレームワークと統合した,新しい教師なし登録モデルを提案する。実験の結果,提案モデルでは,精度とトレーニング時間の観点から,性能が有意に向上した。
論文参考訳（メタデータ） (2021-04-21T10:27:05Z)
CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration [34.546992605648086]
サイクル整合性は、変形中のトポロジを保存するために暗黙の正規化を提供することで、画像登録性能を向上させる。医学的・非医学的な応用から得られた様々なデータセットに対する実験結果から,提案手法は,数秒以内に多様な画像対を効果的かつ正確に登録できることを示した。
論文参考訳（メタデータ） (2020-08-13T09:30:12Z)
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)

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。