論文の概要: Generative Adversarial Registration for Improved Conditional Deformable Templates

• arxiv url: http://arxiv.org/abs/2105.04349v1
• Date: Fri, 7 May 2021 17:06:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 15:06:24.602838
• Title: Generative Adversarial Registration for Improved Conditional Deformable Templates
• Title（参考訳）: 条件付きデフォルマブルテンプレートのための生成逆レジストレーション
• Authors: Neel Dey, Mengwei Ren, Adrian V. Dalca, Guido Gerig
• Abstract要約: 変形性および条件付きテンプレート推定を逆登録ゲームとして再構成する。 得られたテンプレートは、年齢や病気などの属性に顕著な特異性を示し、グループの時間的傾向に適合し、鋭さと解剖学的に改善された。
• 参考スコア（独自算出の注目度）: 8.630682179154784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable templates are essential to large-scale medical image registration, segmentation, and population analysis. Current conventional and deep network-based methods for template construction use only regularized registration objectives and often yield templates with blurry and/or anatomically implausible appearance, confounding downstream biomedical interpretation. We reformulate deformable registration and conditional template estimation as an adversarial game wherein we encourage realism in the moved templates with a generative adversarial registration framework conditioned on flexible image covariates. The resulting templates exhibit significant gain in specificity to attributes such as age and disease, better fit underlying group-wise spatiotemporal trends, and achieve improved sharpness and centrality. These improvements enable more accurate population modeling with diverse covariates for standardized downstream analyses and easier anatomical delineation for structures of interest.
• Abstract（参考訳）: 変形可能なテンプレートは、大規模医療画像登録、セグメンテーション、人口分析に不可欠である。 現在の従来型および深層ネットワークベースのテンプレート構築手法では、正規化登録対象のみを使用し、しばしばぼやけた、または解剖学的に意味のない外観でテンプレートを生成し、下流の生物医学的解釈を基礎としている。 我々は,フレキシブル画像共変量に基づく生成的逆登録フレームワークを用いて,移動テンプレートのリアリズムを奨励する敵ゲームとして,変形可能な登録と条件付きテンプレート推定を再構成する。 得られたテンプレートは、年齢や病気などの属性に特異的に顕著な増加を示し、グループワイドの時空間傾向に適合し、シャープネスと集中性が向上した。 これらの改良により、様々な共変量を持つより正確な集団モデリングが可能となり、下流解析が標準化され、興味のある構造に対する解剖学的記述が容易になった。

関連論文リスト

• Structured Pattern Expansion with Diffusion Models [6.726377308248659]
  拡散モデルの最近の進歩は、材料、テクスチャ、および3次元形状の合成を著しく改善した。 本稿では、拡散モデルが一般に信頼性が低く、より重要なことに、制御不能な構造的定常パターンの合成に対処する。 これにより、ユーザは入力の構造と詳細を保存しながら、部分的に手書きのパターンをより大きなデザインに拡張することで、合成を直接制御することができる。
  論文  参考訳（メタデータ） (2024-11-12T18:39:23Z)
• Diffeomorphic Template Registration for Atmospheric Turbulence Mitigation [50.16004183320537]
  大気の乱流により劣化した画像の集合体に基づく放射能の回復法について述べる。 画像の1つを参照として選択し、その画像から他の画像への光フローの集約により、この画像の変形をモデル化する。 単純さに拘わらず、最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-05-06T17:39:53Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• On the Out of Distribution Robustness of Foundation Models in Medical Image Segmentation [47.95611203419802]
  視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。 一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。 さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
  論文  参考訳（メタデータ） (2023-11-18T14:52:10Z)
• Mesh2SSM: From Surface Meshes to Statistical Shape Models of Anatomy [0.0]
  我々は、教師なしの置換不変表現学習を利用して、テンプレートポイントクラウドを主題固有のメッシュに変形する方法を推定する新しいアプローチであるMesh2SSMを提案する。 Mesh2SSMは集団固有のテンプレートも学習でき、テンプレート選択によるバイアスを低減できる。
  論文  参考訳（メタデータ） (2023-05-13T00:03:59Z)
• Adapting Pretrained Vision-Language Foundational Models to Medical Imaging Domains [3.8137985834223502]
  臨床の文脈を忠実に描写する医療画像の生成モデルを構築することは、医療データセットの不明瞭さを軽減するのに役立つ。 安定拡散パイプラインのサブコンポーネントを探索し、モデルを微調整して医用画像を生成する。 我々の最良の性能モデルは、安定な拡散ベースラインを改善し、合成ラジオグラフィ画像に現実的な異常を挿入するように条件付けすることができる。
  論文  参考訳（メタデータ） (2022-10-09T01:43:08Z)
• Low-Rank Constraints for Fast Inference in Structured Models [110.38427965904266]
  この研究は、大規模構造化モデルの計算とメモリの複雑さを低減するための単純なアプローチを示す。 言語モデリング,ポリフォニック・ミュージック・モデリング,教師なし文法帰納法,ビデオ・モデリングのためのニューラルパラメータ構造モデルを用いた実験により,我々の手法は大規模状態空間における標準モデルの精度と一致することを示した。
  論文  参考訳（メタデータ） (2022-01-08T00:47:50Z)
• tFold-TR: Combining Deep Learning Enhanced Hybrid Potential Energy for Template-Based Modelling Structure Refinement [53.98034511648985]
  現在のテンプレートベースのモデリングアプローチは2つの重要な問題に苦しんでいる。 テンプレートの異なる領域からの距離対の精度は様々であり、この情報はモデリングにはあまり導入されていない。 2つのニューラルネットワークモデルは、欠落した領域の距離情報と、テンプレートモデリング構造における異なる領域の距離ペアの精度を予測する。
  論文  参考訳（メタデータ） (2021-05-10T13:32:12Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Discriminative and Generative Models for Anatomical Shape Analysison Point Clouds with Deep Neural Networks [3.7814216736076434]
  与えられたタスクから低次元の形状表現を学習する解剖学的形状の解析のためのディープニューラルネットワークを導入する。 我々のフレームワークはモジュール構造であり、基本的な形状処理タスクを実行するいくつかの計算ブロックで構成されています。 本稿では, 疾患分類と年齢回帰の判別モデルと, 形状復元のための生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-02T07:37:40Z)

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。