論文の概要: CAR-Net: Unsupervised Co-Attention Guided Registration Network for Joint Registration and Structure Learning

• arxiv url: http://arxiv.org/abs/2106.06637v1
• Date: Fri, 11 Jun 2021 23:25:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 16:05:52.017634
• Title: CAR-Net: Unsupervised Co-Attention Guided Registration Network for Joint Registration and Structure Learning
• Title（参考訳）: car-net:共同登録と構造学習のための教師なし共同登録ネットワーク
• Authors: Xiang Chen, Yan Xia, Nishant Ravikumar, Alejandro F Frangi
• Abstract要約: 我々は,新しい深層学習ネットワークCAR-Net(Co-Attention Guided Registration Network)を提案する。 CAR-Netはコアテンションブロックを用いて入力の新しい表現を学習し、固定画像と移動画像の登録を駆動する。 イギリスバイオバンクの心臓磁気共鳴画像データを用いた実験により、CAR-Netは最先端の教師なし登録法よりも高い登録精度とスムーズな変形場が得られることが示された。
• 参考スコア（独自算出の注目度）: 73.03885837923599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image registration is a fundamental building block for various applications in medical image analysis. To better explore the correlation between the fixed and moving images and improve registration performance, we propose a novel deep learning network, Co-Attention guided Registration Network (CAR-Net). CAR-Net employs a co-attention block to learn a new representation of the inputs, which drives the registration of the fixed and moving images. Experiments on UK Biobank cardiac cine-magnetic resonance image data demonstrate that CAR-Net obtains higher registration accuracy and smoother deformation fields than state-of-the-art unsupervised registration methods, while achieving comparable or better registration performance than corresponding weakly-supervised variants. In addition, our approach can provide critical structural information of the input fixed and moving images simultaneously in a completely unsupervised manner.
• Abstract（参考訳）: 画像登録は、医療画像解析における様々な用途の基本的なビルディングブロックである。 固定画像と移動画像の相関関係をよりよく探求し、登録性能を向上させるために、新しい深層学習ネットワークCAR-Net(Co-Attention Guided Registration Network)を提案する。 CAR-Netはコアテンションブロックを用いて入力の新しい表現を学習し、固定画像と移動画像の登録を駆動する。 英国バイオバンクの心臓磁気共鳴画像データを用いた実験では、CAR-Netは最先端の非教師なし登録法よりも高い登録精度と滑らかな変形場を得る一方で、対応する弱教師付き変種よりも同等または優れた登録性能を達成する。 さらに,本手法は,入力固定画像と移動画像の致命的な構造情報を,完全に教師なしで同時に提供することができる。

関連論文リスト

• SAMReg: SAM-enabled Image Registration with ROI-based Correspondence [12.163299991979574]
  本稿では,医療用画像登録のための対の関心領域(ROI)に基づく新しい空間対応表現について述べる。 我々は,トレーニング(あるいはトレーニングデータ)や勾配に基づく微調整,即時的なエンジニアリングを必要としない新しい登録アルゴリズムSAMRegを開発した。 提案手法は,試験指標間でのインテンシティベース反復アルゴリズムとDDF予測学習ベースネットワークより優れている。
  論文  参考訳（メタデータ） (2024-10-17T23:23:48Z)
• Non-iterative Coarse-to-fine Transformer Networks for Joint Affine and Deformable Image Registration [10.994223928445589]
  画像登録のための非Iterative Coarse-to-finE Transformer Network (NICE-Trans)を提案する。 我々のNICE-Transは、単一のネットワーク内で結合アフィンと変形可能な粗粒度登録を行う最初のディープ登録方法である。
  論文  参考訳（メタデータ） (2023-07-07T07:07:42Z)
• 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)
• Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
  多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。 本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。 入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。 大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
  論文  参考訳（メタデータ） (2022-11-24T23:45:01Z)
• Automated Learning for Deformable Medical Image Registration by Jointly Optimizing Network Architectures and Objective Functions [69.6849409155959]
  本稿では、アーキテクチャとそれに対応する学習目標の両方を協調的に最適化する自動学習登録アルゴリズム(AutoReg)を提案する。 マルチサイトボリュームデータセットと各種登録タスクについて,画像登録実験を行った。 我々のAutoRegは、与えられたボリュームに対して最適な深層登録ネットワークを自動的に学習し、最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2022-03-14T01:54:38Z)
• A Learning Framework for Diffeomorphic Image Registration based on Quasi-conformal Geometry [1.2891210250935146]
  本稿では,非教師付き学習フレームワークである準コンフォーマル登録ネットワーク(QCRegNet)を提案する。 QCRegNetは推定器ネットワークとベルトラミソルバネットワーク(BSNet)から構成される その結果、登録精度は最先端の手法に匹敵し、微分同相性はかなり保証されていることがわかった。
  論文  参考訳（メタデータ） (2021-10-20T14:23:24Z)
• A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
  ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。 本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。 本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-07-09T13:35:59Z)
• An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
  本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。 本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。 現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-19T06:00:13Z)

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。