Fugu-MT 論文翻訳(概要): A Structure Feature Algorithm for Multi-modal Forearm Registration

論文の概要: A Structure Feature Algorithm for Multi-modal Forearm Registration

arxiv url: http://arxiv.org/abs/2111.05485v1
Date: Wed, 10 Nov 2021 01:58:39 GMT
ステータス: 処理完了
システム内更新日: 2021-11-11 15:02:33.965271
Title: A Structure Feature Algorithm for Multi-modal Forearm Registration
Title（参考訳）: マルチモーダル前腕登録のための構造特徴量アルゴリズム
Authors: Jiaxin Li, Yan Ding, Weizhong Zhang, Yifan Zhao, Lingxi Guo, Zhe Yang
Abstract要約: 本稿では、前腕画像とデジタル解剖モデルの登録に焦点を当てる。構造に準拠したマルチモーダル画像登録フレームワークに基づく前腕特徴表現曲線(FFRC)を提案する。
参考スコア（独自算出の注目度）: 21.707342946118025
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Augmented reality technology based on image registration is becoming increasingly popular for the convenience of pre-surgery preparation and medical education. This paper focuses on the registration of forearm images and digital anatomical models. Due to the difference in texture features of forearm multi-modal images, this paper proposes a forearm feature representation curve (FFRC) based on structure compliant multi-modal image registration framework (FAM) for the forearm.
Abstract（参考訳）: 画像登録に基づく拡張現実技術は, 手術前準備や医療教育の便宜上, ますます普及しつつある。本稿では,前腕画像とデジタル解剖モデルの登録について述べる。本稿では, 前腕マルチモーダル画像のテクスチャ特性の違いから, 前腕に対する構造適合型マルチモーダル画像登録フレームワーク(FAM)に基づく前腕特徴表現曲線(FFRC)を提案する。

関連論文リスト

Language Augmentation in CLIP for Improved Anatomy Detection on Multi-modal Medical Images [1.4680035572775536]
ヴィジュアル言語モデルは、医療領域におけるマルチモーダル分類問題に挑戦するための強力なツールとして登場した。既存の研究は、特定のモダリティや身体領域の臨床的記述に焦点を当てており、全身のマルチモーダル記述を提供するモデルにギャップを残している。本稿では,マルチモーダルMRIおよびCT画像において,全身の標準化された体局と臓器のリストの自動生成により,このギャップに対処する。
論文参考訳（メタデータ） (2024-05-31T09:59:11Z)
Weakly supervised alignment and registration of MR-CT for cervical cancer radiotherapy [9.060365057476133]
子宮頸癌は女性の死因の1つである。予備的な空間アライメントアルゴリズムと弱教師付きマルチモーダル登録ネットワークを提案する。
論文参考訳（メタデータ） (2024-05-21T15:05:51Z)
NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
論文参考訳（メタデータ） (2024-03-27T02:42:52Z)
Modality-Agnostic Structural Image Representation Learning for Deformable Multi-Modality Medical Image Registration [22.157402663162877]
本稿では,識別的・コントラスト的・非分散的な深部構造画像表現を学習するためのモダリティ非依存的構造表現学習法を提案する。本手法は,従来の局所的構造表現や統計的類似度尺度よりも識別性と精度の点で優れている。
論文参考訳（メタデータ） (2024-02-29T08:01:31Z)
Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文参考訳（メタデータ） (2024-01-04T08:46:39Z)
Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文参考訳（メタデータ） (2023-02-23T06:16:15Z)
Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文参考訳（メタデータ） (2022-09-15T03:58:30Z)
Bayesian intrinsic groupwise registration via explicit hierarchical disentanglement [18.374535632681884]
階層的ベイズ推論の手順としてグループ登録を定式化する一般的な枠組みを提案する。本稿では, 共用構造表現の共用学習を容易にする, 後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後その結果,マルチモーダルなグループ登録をエンドツーエンドで実現するためのフレームワークの有効性が示された。
論文参考訳（メタデータ） (2022-06-06T06:13:24Z)
Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文参考訳（メタデータ） (2021-10-15T13:16:59Z)
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)
Robust Image Reconstruction with Misaligned Structural Information [0.27074235008521236]
再建と登録を共同で行う変分フレームワークを提案する。我々のアプローチは、異なるモダリティに対してこれを最初に達成し、再構築と登録の両方の精度で確立されたアプローチを上回ります。
論文参考訳（メタデータ） (2020-04-01T17:21:25Z)

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。