論文の概要: Joint Progressive and Coarse-to-fine Registration of Brain MRI via Deformation Field Integration and Non-Rigid Feature Fusion

• arxiv url: http://arxiv.org/abs/2109.12384v1
• Date: Sat, 25 Sep 2021 15:20:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-28 15:18:34.598814
• Title: Joint Progressive and Coarse-to-fine Registration of Brain MRI via Deformation Field Integration and Non-Rigid Feature Fusion
• Title（参考訳）: 変形場積分と非剛性核融合による脳MRIの進歩的および粗大なレジストレーション
• Authors: Jinxin Lv, Zhiwei Wang, Hongkuan Shi, Haobo Zhang, Sheng Wang, Yilang Wang, and Qiang Li
• Abstract要約: 本稿では,脳MRIのプログレッシブ・ツー・ファインの両方で頑健な登録を行うための統一的枠組みを提案する。 具体的には、デュアルエンコーダU-Net上に構築された固定移動MRIペアを符号化し、マルチスケールの変形サブフィールドにデコードする。
• 参考スコア（独自算出の注目度）: 9.19672265043614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Registration of brain MRI images requires to solve a deformation field, which is extremely difficult in aligning intricate brain tissues, e.g., subcortical nuclei, etc. Existing efforts resort to decomposing the target deformation field into intermediate sub-fields with either tiny motions, i.e., progressive registration stage by stage, or lower resolutions, i.e., coarse-to-fine estimation of the full-size deformation field. In this paper, we argue that those efforts are not mutually exclusive, and propose a unified framework for robust brain MRI registration in both progressive and coarse-to-fine manners simultaneously. Specifically, building on a dual-encoder U-Net, the fixed-moving MRI pair is encoded and decoded into multi-scale deformation sub-fields from coarse to fine. Each decoding block contains two proposed novel modules: i) in Deformation Field Integration (DFI), a single integrated sub-field is calculated, warping by which is equivalent to warping progressively by sub-fields from all previous decoding blocks, and ii) in Non-rigid Feature Fusion (NFF), features of the fixed-moving pair are aligned by DFI-integrated sub-field, and then fused to predict a finer sub-field. Leveraging both DFI and NFF, the target deformation field is factorized into multi-scale sub-fields, where the coarser fields alleviate the estimate of a finer one and the finer field learns to make up those misalignments insolvable by previous coarser ones. The extensive and comprehensive experimental results on both private and public datasets demonstrate a superior registration performance of brain MRI images over progressive registration only and coarse-to-fine estimation only, with an increase by at most 10% in the average Dice.
• Abstract（参考訳）: 脳MRI画像の登録は、複雑な脳組織(例えば皮質下核など)を整列させるのが非常に難しい変形磁場を解く必要がある。 既存の取り組みでは、対象の変形場を小さな動き、すなわちステージごとのプログレッシブ登録段階または低い分解能、すなわちフルサイズの変形場を粗大に推定する中間サブフィールドに分解する。 本稿では,これらの取り組みは相互排他的ではなく,進歩的かつ粗大な方法での脳MRI登録のための統一的な枠組みを提案する。 具体的には、デュアルエンコーダu-net上に構築し、固定移動mri対を符号化してマルチスケール変形サブフィールドにデコードする。 各復号ブロックは2つの新しいモジュールを含む。 一 変形場統合(DFI)において、単一の統合されたサブフィールドを演算し、それまでのすべての復号ブロックのサブフィールドによるワープに相当するワープを演算し、 二 非剛性特徴融合(NFF)において、固定移動対の特徴は、DFI積分サブフィールドで整列し、さらに微細なサブフィールドを予測するために融合する。 dfiとnffの両方を利用することで、対象の変形場は多スケールのサブフィールドに分解され、粗い磁場は粗い磁場の推定を緩和し、粗い磁場は前の粗い磁場では解けないような不一致を補うことができる。 プライベートデータセットとパブリックデータセットの広範な実験結果は、プログレッシブ登録のみよりも優れた脳MRI画像の登録性能を示し、粗大な推定のみを示し、平均的なDiceの10%以上増加している。

関連論文リスト

• Multi-Modality Conditioned Variational U-Net for Field-of-View Extension in Brain Diffusion MRI [10.096809077954095]
  拡散磁気共鳴イメージング(dMRI)における不完全視野(FOV)は、全脳白質結合の体積および束解析を著しく阻害することができる。 FOVの取得部位における学習拡散特徴を脳解剖学的構造に組み込むことにより, FOVの不完全部分におけるdMRIスキャンを計算するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-09-20T18:41:29Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Improving Misaligned Multi-modality Image Fusion with One-stage Progressive Dense Registration [67.23451452670282]
  多モード画像間の相違は、画像融合の課題を引き起こす。 マルチスケールプログレッシブ・センス・レジストレーション方式を提案する。 このスキームは、一段階最適化のみで粗大な登録を行う。
  論文  参考訳（メタデータ） (2023-08-22T03:46:24Z)
• ACSGRegNet: A Deep Learning-based Framework for Unsupervised Joint Affine and Diffeomorphic Registration of Lumbar Spine CT via Cross- and Self-Attention Fusion [4.068962439293273]
  本研究では,医用画像登録のためのエンドツーエンドの深層学習フレームワークを提案する。 ACSGRegNetは、画像間特徴対応を確立するクロスアテンションモジュールと、画像内解剖学的構造を認識する自己アテンションモジュールを統合する。 我々の手法は平均Dice 0.963 と平均距離誤差 0.321mm を達成し,SOTA (State-of-the-art) よりも優れている。
  論文  参考訳（メタデータ） (2022-08-04T13:13:48Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Unsupervised Multimodal Image Registration with Adaptative Gradient Guidance [23.461130560414805]
  教師なし学習に基づく手法は、変形可能な画像登録における精度と効率よりも有望な性能を示す。 既存の手法の予測変形場は、登録済み画像対に完全に依存する。 両モデルから推定される変形場を利用する新しい多モード登録フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-12T05:47:20Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Unsupervised Deformable Medical Image Registration via Pyramidal Residual Deformation Fields Estimation [24.413236251959137]
  多くの医用画像登録アプリケーションにおいて、変形場推定は重要かつ困難な問題である。 本研究では, 動画像と固定画像のピラミッド状特徴集合を構築し, 歪んだ動画像と固定画像を用いて, 各スケールの「残留」変形場を推定した。 本手法は, 変形場の登録精度と合理性を向上させる。
  論文  参考訳（メタデータ） (2020-04-16T12:24:27Z)

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。