Fugu-MT 論文翻訳(概要): Recursive Refinement Network for Deformable Lung Registration between Exhale and Inhale CT Scans

論文の概要: Recursive Refinement Network for Deformable Lung Registration between Exhale and Inhale CT Scans

arxiv url: http://arxiv.org/abs/2106.07608v1
Date: Mon, 14 Jun 2021 17:14:17 GMT
ステータス: 処理完了
システム内更新日: 2021-06-15 16:35:11.129302
Title: Recursive Refinement Network for Deformable Lung Registration between Exhale and Inhale CT Scans
Title（参考訳）: Exhale と Inhale CT スキャン間の変形性肺登録のための再帰的リファインメントネットワーク
Authors: Xinzi He, Jia Guo, Xuzhe Zhang, Hanwen Bi, Sarah Gerard, David Kaczka, Amin Motahari, Eric Hoffman, Joseph Reinhardt, R. Graham Barr, Elsa Angelini, Andrew Laine
Abstract要約: 医用画像の教師なし登録のための再帰的改善ネットワーク(RRN)を導入する。 RRNは、CT肺スキャンの呼吸-呼吸対の3D登録のためのアートパフォーマンスの状態を達成している。従来の手法との比較に加えて、RRNはディープラーニングベースのピアアプローチと比較して89%のエラー削減につながる。
参考スコア（独自算出の注目度）: 4.494546124195517
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Unsupervised learning-based medical image registration approaches have witnessed rapid development in recent years. We propose to revisit a commonly ignored while simple and well-established principle: recursive refinement of deformation vector fields across scales. We introduce a recursive refinement network (RRN) for unsupervised medical image registration, to extract multi-scale features, construct normalized local cost correlation volume and recursively refine volumetric deformation vector fields. RRN achieves state of the art performance for 3D registration of expiratory-inspiratory pairs of CT lung scans. On DirLab COPDGene dataset, RRN returns an average Target Registration Error (TRE) of 0.83 mm, which corresponds to a 13% error reduction from the best result presented in the leaderboard. In addition to comparison with conventional methods, RRN leads to 89% error reduction compared to deep-learning-based peer approaches.
Abstract（参考訳）: 教師なし学習に基づく医療画像登録手法は近年急速に発展している。本稿では, 変形ベクトル場の再帰的改善という, 単純かつ確立された原理を, 一般に無視されるように再検討することを提案する。本稿では,非教師付き医用画像登録のための再帰的リファインメントネットワーク(rrn)を導入し,マルチスケール特徴を抽出し,正規化された局所コスト相関ボリュームを構築し,再帰的に体積変形ベクトルフィールドを精製する。 RRNは、CT肺スキャンの呼吸-呼吸対の3D登録のためのアートパフォーマンスの状態を達成している。 DirLab COPDGeneデータセットでは、RRNは平均的なターゲット登録エラー(TRE)を0.83mmで返します。従来の手法との比較に加えて、RRNはディープラーニングベースのピアアプローチと比較して89%のエラー削減につながる。

関連論文リスト

Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models [2.5412006057370893]
Inlicit Neural representation (INR) は、逆問題を解決するための強力なパラダイムとして登場した。提案するフレームワークは、他の医療画像タスクにおける逆問題を解決するための一般化可能なフレームワークである。
論文参考訳（メタデータ） (2024-07-03T01:37:56Z)
Application of Computer Deep Learning Model in Diagnosis of Pulmonary Nodules [5.058992545593932]
再建法を用いて肺の3次元シミュレーションモデルを構築した。コンピュータ支援肺結節検出モデルを構築した。診断率は従来の診断法に比べて有意に改善した。
論文参考訳（メタデータ） (2024-06-19T04:27:27Z)
DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文参考訳（メタデータ） (2023-12-05T18:59:41Z)
REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
論文参考訳（メタデータ） (2022-08-17T03:42:19Z)
Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
論文参考訳（メタデータ） (2022-06-30T13:04:42Z)
RPLHR-CT Dataset and Transformer Baseline for Volumetric Super-Resolution from CT Scans [12.066026343488453]
粗い解像度は、医師またはコンピュータ支援診断アルゴリズムによる医学的診断の困難を引き起こす可能性がある。深層学習に基づく容積超解法(SR法)は、解法を改善するための実現可能な方法である。本稿では,RPLHR-CTをボリュームSRのベンチマークとして構築した。また,CNNの固有の欠点を考慮し,アテンション機構に基づくトランスフォーマーボリューム超解像ネットワーク(TVSRN)を提案する。
論文参考訳（メタデータ） (2022-06-13T15:35:59Z)
PatchNR: Learning from Small Data by Patch Normalizing Flow Regularization [57.37911115888587]
正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。 patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
論文参考訳（メタデータ） (2022-05-24T12:14:26Z)
Iterative Reconstruction for Low-Dose CT using Deep Gradient Priors of Generative Model [24.024765099719886]
反復的な再構成は、光子フラックスの低減による雑音の増加を補う最も有望な方法の1つである。本研究では,低用量CTの反復生成モデルに条件項としてデータ一貫性を統合する。再構成画像と多様体との間の距離は、再構成中のデータの忠実度とともに最小化される。
論文参考訳（メタデータ） (2020-09-27T06:36:39Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
F3RNet: Full-Resolution Residual Registration Network for Deformable Image Registration [21.99118499516863]
変形性画像登録(DIR)は多くの画像誘導療法に必須である。我々は、新しい教師なし登録ネットワーク、すなわちF3RNet(Full-Resolution Residual Registration Network)を提案する。 1つのストリームは、正確なボクセルレベルの登録を容易にするフルレゾリューション情報を利用する。他方のストリームは、深いマルチスケールの残差表現を学習し、ロバストな認識を得る。
論文参考訳（メタデータ） (2020-09-15T15:05:54Z)
Cross-Scale Internal Graph Neural Network for Image Super-Resolution [147.77050877373674]
自然画像における非局所的な自己相似性は、画像修復に有効な先行研究として、よく研究されている。単一の画像超解像(SISR)の場合、既存のディープ非局所法のほとんどは、低解像度(LR)入力画像と同じ規模のパッチしか利用していない。これは、新しいクロススケールな内部グラフニューラルネットワーク(IGNN)を用いて実現される。
論文参考訳（メタデータ） (2020-06-30T10:48:40Z)

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。