論文の概要: A Learning Framework for Diffeomorphic Image Registration based on
Quasi-conformal Geometry
- arxiv url: http://arxiv.org/abs/2110.10580v1
- Date: Wed, 20 Oct 2021 14:23:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-22 17:17:41.548114
- Title: A Learning Framework for Diffeomorphic Image Registration based on
Quasi-conformal Geometry
- Title(参考訳): 準等角幾何学に基づく拡散型画像登録のための学習フレームワーク
- Authors: Qiguang Chen, Zhiwen Li, Lok Ming Lui
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 1.2891210250935146
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image registration, the process of defining meaningful correspondences
between images, is essential for various image analysis tasks, especially
medical imaging. Numerous learning-based methods, notably convolutional neural
networks (CNNs), for deformable image registration proposed in recent years
have demonstrated the feasibility and superiority of deep learning techniques
for registration problems. Besides, compared to traditional algorithms'
optimization scheme of the objective function for each image pair,
learning-based algorithms are several orders of magnitude faster. However,
these data-driven methods without proper constraint on the deformation field
will easily lead to topological foldings.
To tackle this problem, We propose the quasi-conformal registration network
(QCRegNet), an unsupervised learning framework, to obtain diffeomorphic 2D
image registrations with large deformations based on quasi-conformal (QC) map,
an orientation-preserving homeomorphism between two manifolds.
The basic idea is to design a CNN mapping image pairs to deformation fields.
QCRegNet consists of the estimator network and the Beltrami solver network
(BSNet). The estimator network takes image pair as input and outputs the
Beltrami coefficient (BC). The BC, which captures conformal distortion of a QC
map and guarantees the bijectivity, will then be input to the BSNet, a
task-independent network which reconstructs the desired QC map.
Furthermore, we reduce the number of network parameters and computational
complexity by utilizing Fourier approximation to compress BC. Experiments have
been carried out on different data such as underwater and medical images.
Registration results show that the registration accuracy is comparable to
state-of-the-art methods and diffeomorphism is to a great extent guaranteed
compared to other diffeomorphic registration algorithms.
- Abstract(参考訳): 画像間の有意義な対応を定義するプロセスである画像登録は、様々な画像解析タスク、特に医用画像解析に不可欠である。
近年提案されている変形可能な画像登録のための多くの学習ベース手法、特に畳み込みニューラルネットワーク(CNN)は、登録問題に対するディープラーニング技術の有効性と優位性を実証している。
さらに,各画像対に対する目的関数の従来のアルゴリズムの最適化方式と比較して,学習ベースのアルゴリズムは桁違いに高速である。
しかし、これらのデータ駆動手法は変形場に適切な制約を持たず、位相的折りたたみに繋がる。
そこで本研究では,非教師なし学習フレームワークである準共形登録ネットワーク (qcregnet) を提案し,二つの多様体間の配向保存同相写像である準共形 (qc) マップに基づく大きな変形を伴う2次元画像登録を得る。
基本的な考え方は、CNNマッピングイメージペアを変形場に設計することである。
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)で構成されている。
推定器ネットワークは、画像対を入力としてベルトラミ係数(BC)を出力する。
BCはQCマップの共形歪みを捕捉し、ビジェクティビティを保証するため、所望のQCマップを再構成するタスク非依存のネットワークであるBSNetに入力される。
さらに, フーリエ近似を用いてbcを圧縮することにより, ネットワークパラメータ数と計算複雑性を低減する。
水中画像や医療画像などの異なるデータで実験が行われている。
登録結果は、登録精度が最先端の手法に匹敵し、微分同相性は他の微分同相登録アルゴリズムと比較してかなり保証されていることを示している。
関連論文リスト
- MsMorph: An Unsupervised pyramid learning network for brain image registration [4.000367245594772]
MsMorphは、イメージペアを登録する手動プロセスの模倣を目的とした、イメージ登録フレームワークである。
異なるスケールで意味情報をデコードし、予測された変形場に対して連続的に合成する。
提案手法は,画像ペアとその近傍の異なる領域に着目し,手動による登録手法をシミュレートする。
論文 参考訳(メタデータ) (2024-10-23T19:20:57Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳(メタデータ) (2023-10-11T12:46:11Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳(メタデータ) (2022-07-01T12:16:42Z) - Non-iterative Coarse-to-fine Registration based on Single-pass Deep
Cumulative Learning [11.795108660250843]
変形可能な画像登録のための非Iterative Coarse-to-finE登録ネットワーク(NICE-Net)を提案する。
NICE-Netは、非イテレーティブメソッドと同じようなランタイムしか必要とせず、最先端の反復的な深層登録手法より優れている。
論文 参考訳(メタデータ) (2022-06-25T08:34:59Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳(メタデータ) (2022-04-19T10:41:09Z) - A training-free recursive multiresolution framework for diffeomorphic
deformable image registration [6.929709872589039]
変形可能な画像登録のための新しい微分型学習自由アプローチを提案する。
提案するアーキテクチャは設計上は単純で,各解像度で移動像を順次ワープし,最終的に固定像に整列する。
システム全体はエンドツーエンドで、スクラッチから各2つのイメージに最適化されている。
論文 参考訳(メタデータ) (2022-02-01T15:17:17Z) - Deformable Image Registration with Deep Network Priors: a Study on
Longitudinal PET Images [0.5949967357689445]
本稿では,Deep Image Priorに触発されて,画像登録問題に取り組むためのレギュレータとして,Deep Architectureの異なる利用法を提案する。
変形場を制約する先行モデルである深層ピラミッド構造に頼って,MIRRBAと呼ばれる対象固有の変形可能な登録手法を提案する。
深層建築の正規化力を実証し,登録のための深層学習手法におけるアーキテクチャの役割を理解するための新しい要素を提示する。
論文 参考訳(メタデータ) (2021-11-22T10:58:14Z) - Learning to Learn Parameterized Classification Networks for Scalable
Input Images [76.44375136492827]
畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。
我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。
さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
論文 参考訳(メタデータ) (2020-07-13T04:27:25Z) - CoMIR: Contrastive Multimodal Image Representation for Registration [4.543268895439618]
我々は,CoMIR(Contrastive Multimodal Image Representations)と呼ばれる,共有された高密度画像表現を学習するためのコントラスト符号化を提案する。
CoMIRは、十分に類似した画像構造が欠如しているため、既存の登録方法がしばしば失敗するマルチモーダル画像の登録を可能にする。
論文 参考訳(メタデータ) (2020-06-11T10:51:33Z) - 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) - 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)
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。