論文の概要: A low-rank representation for unsupervised registration of medical
images
- arxiv url: http://arxiv.org/abs/2105.09548v1
- Date: Thu, 20 May 2021 07:04:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-21 13:35:13.776985
- Title: A low-rank representation for unsupervised registration of medical
images
- Title（参考訳）: 医療画像の教師なし登録のための低ランク表現
- Authors: Dengqiang Jia, Shangqi Gao, Qunlong Chen, Xinzhe Luo, Xiahai Zhuang
- Abstract要約: 本稿では,低ランク表現,すなわちRegnet-LRRに基づく新しい手法を提案する。
低ランク表現は、モデルの能力と堅牢性を高め、ノイズの多いデータ登録シナリオにおいて大幅な改善をもたらすことを示す。
- 参考スコア（独自算出の注目度）: 10.499611180329804
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Registration networks have shown great application potentials in medical
image analysis. However, supervised training methods have a great demand for
large and high-quality labeled datasets, which is time-consuming and sometimes
impractical due to data sharing issues. Unsupervised image registration
algorithms commonly employ intensity-based similarity measures as loss
functions without any manual annotations. These methods estimate the
parameterized transformations between pairs of moving and fixed images through
the optimization of the network parameters during training. However, these
methods become less effective when the image quality varies, e.g., some images
are corrupted by substantial noise or artifacts. In this work, we propose a
novel approach based on a low-rank representation, i.e., Regnet-LRR, to tackle
the problem. We project noisy images into a noise-free low-rank space, and then
compute the similarity between the images. Based on the low-rank similarity
measure, we train the registration network to predict the dense deformation
fields of noisy image pairs. We highlight that the low-rank projection is
reformulated in a way that the registration network can successfully update
gradients. With two tasks, i.e., cardiac and abdominal intra-modality
registration, we demonstrate that the low-rank representation can boost the
generalization ability and robustness of models as well as bring significant
improvements in noisy data registration scenarios.
- Abstract（参考訳）: 登録ネットワークは医療画像解析において大きな応用可能性を示している。
しかし、教師付きトレーニング手法は、大規模で高品質なラベル付きデータセットに対する大きな需要があり、これはデータ共有の問題のために時間がかかり、時には実用的ではない。
教師なし画像登録アルゴリズムは、通常、手作業によるアノテーション無しの損失関数として強度に基づく類似度尺度を用いる。
これらの手法は, 学習中のネットワークパラメータの最適化により, 移動画像と固定画像の対間のパラメータ化変換を推定する。
しかし、画像の品質が変化した場合、例えば、いくつかの画像は大きなノイズやアーチファクトによって破損するなど、これらの手法は効果が低下する。
本稿では,この問題に取り組むために,低ランク表現(regnet-lrr)に基づく新しいアプローチを提案する。
ノイズのない低ランク空間にノイズ画像を投影し,画像間の類似度を計算する。
低ランク類似度尺度に基づいて登録ネットワークを訓練し,ノイズ画像対の濃厚変形場を予測した。
低ランクのプロジェクションは、登録ネットワークが勾配の更新を成功させるように再構成されていることを強調する。
心内モダリティ登録と腹部モダリティ登録という2つの課題により,低ランク表現はモデルの一般化能力と堅牢性を高め,ノイズの多いデータ登録シナリオにおいて大幅な改善をもたらすことを示した。
関連論文リスト
- Preserving Image Properties Through Initializations in Diffusion Models [6.804700416902898]
現在適用されている安定拡散法は,小売写真の要求を尊重しないことを示す。
非常にノイズの多い画像でデノイザーを訓練する通常の習慣は、推論中に一貫性のない画像を生成する。
均一な背景を持つ中央の小売商品画像で訓練されたネットワークは、不規則な背景を持つ画像を生成する。
本手法は,拡散法における制御可能性を高めるために,他の制御法と良好に相互作用することができる。
論文 参考訳（メタデータ） (2024-01-04T06:55:49Z) - Adaptive Correspondence Scoring for Unsupervised Medical Image Registration [9.294341405888158]
既存の手法では、画像再構成を主要な監視信号として用いている。
そこで本研究では,学習中の誤り残差を対応スコアマップで再重み付けする適応フレームワークを提案する。
我々のフレームワークは、量的にも質的にも、他の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2023-12-01T01:11:22Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳（メタデータ） (2022-07-19T14:35:42Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Semantic similarity metrics for learned image registration [10.355938901584565]
画像登録のための意味的類似度尺度を提案する。
このアプローチは、学習に基づく登録モデルの最適化を促進するデータセット固有の特徴を学習する。
自動エンコーダを用いた非監視的アプローチと、補助セグメンテーションデータを用いた半監督的アプローチの両方をトレーニングし、画像登録のための意味的特徴を抽出します。
論文 参考訳（メタデータ） (2021-04-20T15:23:58Z) - Leveraging Self-Supervision for Cross-Domain Crowd Counting [71.75102529797549]
混雑したシーンで人をカウントするための最先端の方法は、群衆密度を推定するために深いネットワークに依存します。
われわれのネットワークは、通常の画像から逆さまの実際の画像を認識できるように訓練し、その不確実性を予測する能力を組み込む。
このアルゴリズムは、推論時に余分な計算をせずに、最先端のクロスドメイン群をカウントするアルゴリズムを一貫して上回る。
論文 参考訳（メタデータ） (2021-03-30T12:37:55Z) - DeepSim: Semantic similarity metrics for learned image registration [6.789370732159177]
画像登録のための意味的類似度尺度を提案する。
提案手法は,学習ベース登録モデルの最適化を促進する,データセット固有の特徴を学習する。
論文 参考訳（メタデータ） (2020-11-11T12:35:07Z) - FDRN: A Fast Deformable Registration Network for Medical Images [3.3504365823045044]
本稿では,高速な畳み込みニューラルネットワークを提案する。
FDRNは、コンパクトなネットワーク構造と効率的な学習により、既存の脳MR画像の最先端登録方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-04T14:09:51Z) - Encoding Robustness to Image Style via Adversarial Feature Perturbations [72.81911076841408]
我々は、画像画素ではなく特徴統計を直接摂動することで、頑健なモデルを生成することで、敵の訓練に適応する。
提案手法であるAdvBN(Adversarial Batch Normalization)は,トレーニング中に最悪の機能摂動を発生させる単一ネットワーク層である。
論文 参考訳（メタデータ） (2020-09-18T17:52:34Z) - 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) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳（メタデータ） (2020-02-07T03:45:25Z)
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。