論文の概要: Cross-Sim-NGF: FFT-Based Global Rigid Multimodal Alignment of Image Volumes using Normalized Gradient Fields

• arxiv url: http://arxiv.org/abs/2110.10156v1
• Date: Tue, 19 Oct 2021 15:28:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 17:28:38.295007
• Title: Cross-Sim-NGF: FFT-Based Global Rigid Multimodal Alignment of Image Volumes using Normalized Gradient Fields
• Title（参考訳）: クロスサイズNGF:正規化勾配場を用いた画像ボリュームのFFTに基づくグローバル剛性多モードアライメント
• Authors: Johan \"Ofverstedt, Joakim Lindblad, Nata\v{s}a Sladoje
• Abstract要約: マルチモーダル画像アライメントは、外観と構造によって異なるボリューム間の空間的対応を見つけることを含む。 本稿では、周波数領域における正規化フィールド(NGF)の類似性を計算するための新しいアルゴリズムに基づいて、剛性多モード3次元画像アライメントのグローバル最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 3.584984184069584
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal image alignment involves finding spatial correspondences between volumes varying in appearance and structure. Automated alignment methods are often based on local optimization that can be highly sensitive to their initialization. We propose a global optimization method for rigid multimodal 3D image alignment, based on a novel efficient algorithm for computing similarity of normalized gradient fields (NGF) in the frequency domain. We validate the method experimentally on a dataset comprised of 20 brain volumes acquired in four modalities (T1w, Flair, CT, [18F] FDG PET), synthetically displaced with known transformations. The proposed method exhibits excellent performance on all six possible modality combinations, and outperforms all four reference methods by a large margin. The method is fast; a 3.4Mvoxel global rigid alignment requires approximately 40 seconds of computation, and the proposed algorithm outperforms a direct algorithm for the same task by more than three orders of magnitude. Open-source implementation is provided.
• Abstract（参考訳）: マルチモーダル画像アライメントは、外観と構造によって異なるボリューム間の空間対応を見つけることを含む。 自動アライメント法はしばしば、初期化に非常に敏感な局所最適化に基づいている。 本稿では、周波数領域における正規化勾配場(NGF)の類似性を計算するための新しいアルゴリズムに基づいて、剛性多モード3次元画像アライメントのグローバル最適化手法を提案する。 本手法は、4つのモード(T1w, Flair, CT, [18F] FDG PET)で得られた20個の脳ボリュームからなるデータセットを用いて実験的に検証した。 提案手法は、6つの可能なモダリティの組み合わせすべてにおいて優れた性能を示し、4つの参照メソッドを大差で上回る。 この手法は高速であり、3.4Mvoxelの大域的剛性アライメントはおよそ40秒の計算を必要とする。 オープンソース実装が提供されている。

関連論文リスト

• Gaussian Representation for Deformable Image Registration [12.226244219255197]
  パラメトリックな3次元ガウス制御点を用いた新しいDIR手法を提案する。 3次元医用画像間の空間場を明示的かつフレキシブルに表現する。 我々は4D-CT肺DIR-Labと心房性ACDCデータセットに対するアプローチを検証し,大幅に改善された処理時間2.43秒で平均目標登録誤差(TRE)を1.06mmとした。
  論文  参考訳（メタデータ） (2024-06-05T15:44:54Z)
• State-Free Inference of State-Space Models: The Transfer Function Approach [132.83348321603205]
  状態のない推論では、状態サイズが大きくなると大きなメモリや計算コストは発生しない。 提案した周波数領域転送関数のパラメトリゼーション特性を用いてこれを実現する。 長い畳み込みハイエナベースライン上での言語モデリングにおける難易度の改善を報告した。
  論文  参考訳（メタデータ） (2024-05-10T00:06:02Z)
• Multiway Point Cloud Mosaicking with Diffusion and Global Optimization [74.3802812773891]
  マルチウェイポイントクラウドモザイクのための新しいフレームワーク(水曜日)を紹介する。 我々のアプローチの核心は、重複を識別し、注意点を洗練する学習されたペアワイズ登録アルゴリズムODINである。 4つの多種多様な大規模データセットを用いて、我々の手法は、全てのベンチマークにおいて大きなマージンで、最先端のペアとローテーションの登録結果を比較した。
  論文  参考訳（メタデータ） (2024-03-30T17:29:13Z)
• FedDA: Faster Framework of Local Adaptive Gradient Methods via Restarted Dual Averaging [104.41634756395545]
  フェデレートラーニング(Federated Learning, FL)は、大規模な分散データに取り組むための新たな学習パラダイムである。 局所適応勾配法のための新しいフレームワークである textbfFedDA を提案する。 textbfFedDA-MVR は適応FLアルゴリズムとしては初めてこの速度を実現することを示す。
  論文  参考訳（メタデータ） (2023-02-13T05:10:30Z)
• Faster Adaptive Federated Learning [84.38913517122619]
  フェデレートラーニングは分散データの出現に伴って注目を集めている。 本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T05:07:50Z)
• Fast computation of mutual information in the frequency domain with applications to global multimodal image alignment [3.584984184069584]
  情報理論における相互情報(MI)の概念は,多モードアライメントプロセスの導出のための類似度尺度として広く用いられている。 すべての離散空間変位に対する計算MIの効率的なアルゴリズムを提案する。 提案手法の有効性を3つのベンチマークデータセットで評価した。
  論文  参考訳（メタデータ） (2021-06-28T13:27:05Z)
• Displacement-Invariant Cost Computation for Efficient Stereo Matching [122.94051630000934]
  ディープラーニング手法は、前例のない不一致の精度を得ることによって、ステレオマッチングのリーダーボードを支配してきた。 しかし、その推測時間は一般的に540p画像の秒数で遅い。 本研究では,4次元特徴量を必要としないEmphdisplacement-invariant cost moduleを提案する。
  論文  参考訳（メタデータ） (2020-12-01T23:58:16Z)
• Generalized Pose-and-Scale Estimation using 4-Point Congruence Constraints [5.063728016437489]
  gP4Pcは、一般的なカメラの絶対的なポーズを、対応する4つの3Dポイント・アンド・レイペアから未知の内部スケールで計算する新しい方法である。 実データと合成データを用いた実験により,gP4PcはSACRANフレームワーク内での使用時の総実行時間において最速の手法であることが示された。
  論文  参考訳（メタデータ） (2020-11-27T16:30:19Z)
• FedPD: A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data [59.50904660420082]
  フェデレートラーニング(FL)は、分散データから学ぶための一般的なパラダイムになっています。 クラウドに移行することなく、さまざまなデバイスのデータを効果的に活用するために、Federated Averaging(FedAvg)などのアルゴリズムでは、"Computation then aggregate"(CTA)モデルを採用している。
  論文  参考訳（メタデータ） (2020-05-22T23:07:42Z)

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。