論文の概要: Unsupervised MMRegNet based on Spatially Encoded Gradient Information

• arxiv url: http://arxiv.org/abs/2105.07392v1
• Date: Sun, 16 May 2021 09:47:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 14:30:10.548958
• Title: Unsupervised MMRegNet based on Spatially Encoded Gradient Information
• Title（参考訳）: 空間符号化勾配情報に基づく教師なしMMRegNet
• Authors: Wangbin Ding, Lei Li, Xiahai Zhuang, Liqin Huang
• Abstract要約: 多次元医用画像は、標的(臓器、腫瘍、組織)に関連性および相補的な解剖情報を提供することができる ネットワークトレーニングの堅牢な基準が欠如していることから,マルチモダリティ登録ネットワークの開発は依然として困難である。 本研究では,異なるモダリティを持つ複数の画像を対象画像に共同登録可能なマルチモーダル登録ネットワーク(MMRegNet)を提案する。
• 参考スコア（独自算出の注目度）: 16.355832135847276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-modality medical images can provide relevant and complementary anatomical information for a target (organ, tumor or tissue). Registering the multi-modality images to a common space can fuse these comprehensive information, and bring convenience for clinical application. Recently, neural networks have been widely investigated to boost registration methods. However, it is still challenging to develop a multi-modality registration network due to the lack of robust criteria for network training. Besides, most existing registration networks mainly focus on pairwise registration, and can hardly be applicable for multiple image scenarios. In this work, we propose a multi-modality registration network (MMRegNet), which can jointly register multiple images with different modalities to a target image. Meanwhile, we present spatially encoded gradient information to train the MMRegNet in an unsupervised manner. The proposed network was evaluated on two datasets, i.e, MM-WHS 2017 and CHAOS 2019. The results show that the proposed network can achieve promising performance for cardiac left ventricle and liver registration tasks. Source code is released publicly on github.
• Abstract（参考訳）: マルチモダリティ医療画像は、標的(オルガン、腫瘍、組織)に関連し補完的な解剖情報を提供することができる。 マルチモダリティ画像を共通の空間に登録することは、これらの包括的情報を融合させ、臨床応用に利便性をもたらすことができる。 近年、登録方法を強化するためにニューラルネットワークが広く研究されている。 しかし,ネットワークトレーニングの堅牢な基準が欠如しているため,マルチモダリティ登録ネットワークの開発は依然として困難である。 さらに、既存の登録ネットワークの多くは、主にペアワイズ登録にフォーカスしており、複数の画像シナリオに適用できない。 本研究では,異なるモダリティを持つ複数の画像を対象画像に共同登録可能なマルチモーダル登録ネットワーク(MMRegNet)を提案する。 一方、MMRegNetを教師なしで訓練するために、空間的に符号化された勾配情報を提示する。 提案したネットワークは、MM-WHS 2017とCHAOS 2019の2つのデータセットで評価された。 その結果, 左心室および肝の登録作業において, 提案ネットワークが有望な性能を達成できることが示唆された。 ソースコードはgithubで公開されている。

関連論文リスト

• Large Language Models for Multimodal Deformable Image Registration [50.91473745610945]
  そこで本研究では,様々な医用画像からの深い特徴の整合を図るために,新しい粗いMDIRフレームワークLLM-Morphを提案する。 具体的には、まずCNNエンコーダを用いて、クロスモーダル画像ペアから深い視覚的特徴を抽出し、次に、最初のアダプタを使ってこれらのトークンを調整する。 第3に、トークンのアライメントのために、他の4つのアダプタを使用して、LLM符号化トークンをマルチスケールの視覚特徴に変換し、マルチスケールの変形場を生成し、粗いMDIRタスクを容易にする。
  論文  参考訳（メタデータ） (2024-08-20T09:58:30Z)
• MrRegNet: Multi-resolution Mask Guided Convolutional Neural Network for Medical Image Registration with Large Deformations [6.919880141683284]
  MrRegNetはマスク誘導型エンコーダデコーダDCNNによる画像登録方式である。 セグメンテーションマスクでガイドされた局所領域では画像アライメントの精度が著しく向上する。
  論文  参考訳（メタデータ） (2024-05-16T12:57:03Z)
• Pyramid Attention Network for Medical Image Registration [4.142556531859984]
  変形可能な医用画像登録のためのピラミッドアテンションネットワーク(PAN)を提案する。 PANはデュアルストリームピラミッドエンコーダをチャネルワイドで組み込んで特徴表現を強化している。 提案手法は,複数のCNNベースおよびTransformerベース登録ネットワークの性能を向上しつつ,良好な登録性能を実現する。
  論文  参考訳（メタデータ） (2024-02-14T08:46:18Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• 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)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Studying Robustness of Semantic Segmentation under Domain Shift in cardiac MRI [0.8858288982748155]
  複数の臨床センターやスキャナーベンダーからの画像間でのドメイン転送の課題と機会について検討する。 本研究では、nnU-netフレームワークによって構成された固定されたU-Netアーキテクチャに基づいて、様々なデータ拡張手法とバッチ正規化層について検討する。
  論文  参考訳（メタデータ） (2020-11-15T17:50:23Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Cross-Modality Multi-Atlas Segmentation Using Deep Neural Networks [20.87045880678701]
  高レベルの構造情報は、クロスモダリティ画像の信頼性の高い類似度測定を提供することができる。 この研究は、画像登録とラベル融合の両方がディープニューラルネットワーク(DNN)によって達成される、クロスモダリティ画像のための新しいMASフレームワークを提案する。 画像登録のための一貫した登録ネットワークを提案する。 ラベル融合では、アトラスとターゲットパッチの類似性を測定するために、数ショットの学習ネットワークを適用する。
  論文  参考訳（メタデータ） (2020-08-15T02:57:23Z)

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。