論文の概要: Leveraging Unsupervised Image Registration for Discovery of Landmark
Shape Descriptor
- arxiv url: http://arxiv.org/abs/2111.07009v1
- Date: Sat, 13 Nov 2021 01:02:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-16 14:55:34.512604
- Title: Leveraging Unsupervised Image Registration for Discovery of Landmark
Shape Descriptor
- Title（参考訳）: ランドマーク形状記述子発見のための教師なし画像登録の活用
- Authors: Riddhish Bhalodia, Shireen Elhabian, Ladislav Kavan, Ross Whitaker
- Abstract要約: 本稿では,画像からランドマークを発見するための自己教師型深層学習手法を提案する。
我々は、ランドマーク駆動のイメージ登録を主要なタスクとして使用し、ニューラルネットワークにイメージを適切に登録するランドマークを見つけるように強制する。
提案手法は分割と前処理を回避し、2D画像や3D画像のみを用いて使用可能な形状記述子を直接生成する。
- 参考スコア（独自算出の注目度）: 5.40076482533193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In current biological and medical research, statistical shape modeling (SSM)
provides an essential framework for the characterization of anatomy/morphology.
Such analysis is often driven by the identification of a relatively small
number of geometrically consistent features found across the samples of a
population. These features can subsequently provide information about the
population shape variation. Dense correspondence models can provide ease of
computation and yield an interpretable low-dimensional shape descriptor when
followed by dimensionality reduction. However, automatic methods for obtaining
such correspondences usually require image segmentation followed by significant
preprocessing, which is taxing in terms of both computation as well as human
resources. In many cases, the segmentation and subsequent processing require
manual guidance and anatomy specific domain expertise. This paper proposes a
self-supervised deep learning approach for discovering landmarks from images
that can directly be used as a shape descriptor for subsequent analysis. We use
landmark-driven image registration as the primary task to force the neural
network to discover landmarks that register the images well. We also propose a
regularization term that allows for robust optimization of the neural network
and ensures that the landmarks uniformly span the image domain. The proposed
method circumvents segmentation and preprocessing and directly produces a
usable shape descriptor using just 2D or 3D images. In addition, we also
propose two variants on the training loss function that allows for prior shape
information to be integrated into the model. We apply this framework on several
2D and 3D datasets to obtain their shape descriptors, and analyze their utility
for various applications.
- Abstract（参考訳）: 現在の生物学的・医学的な研究において、統計形状モデリング(ssm)は解剖学/形態学の特徴付けに不可欠な枠組みを提供する。
このような分析は、集団のサンプルで見られる比較的少数の幾何学的に一貫した特徴の同定によってしばしば引き起こされる。
これらの特徴はその後、人口形状の変化に関する情報を提供することができる。
密接な対応モデルによって計算が容易になり、次元の縮小が続くと解釈可能な低次元形状記述子が得られる。
しかし、そのような対応を得るための自動的な方法は、通常、画像のセグメンテーションと重要な前処理が必要であり、計算量と人的資源の両方に課税される。
多くの場合、セグメンテーションとその後の処理は手動のガイダンスと解剖学的専門知識を必要とする。
本稿では,後続解析のための形状記述子として直接使用できる画像からランドマークを検出するための,自己教師付きディープラーニング手法を提案する。
我々は、ランドマーク駆動のイメージ登録を主要なタスクとして使用し、ニューラルネットワークにイメージを適切に登録するランドマークを見つけるように強制する。
また、ニューラルネットワークの堅牢な最適化を可能にし、ランドマークが画像領域に均一にまたがることを保証する正規化項を提案する。
提案手法は分割と前処理を回避し、2D画像や3D画像のみを用いて使用可能な形状記述子を直接生成する。
さらに,事前形状情報をモデルに統合可能なトレーニング損失関数の2つの変種を提案する。
このフレームワークを複数の2dおよび3dデータセットに適用して形状記述子を取得し,様々な用途における有用性を分析する。
関連論文リスト
- On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-01T10:10:46Z) - Prediction of Geometric Transformation on Cardiac MRI via Convolutional
Neural Network [13.01021780124613]
画像に適用される幾何学的変換を認識するために,ConvNetsを訓練して医用画像の特徴を学習することを提案する。
幾何学的変換を容易に予測できる簡単な自己教師型タスクを提案する。
論文 参考訳（メタデータ） (2022-11-12T11:29:14Z) - Geo-SIC: Learning Deformable Geometric Shapes in Deep Image Classifiers [8.781861951759948]
本稿では,画像分類の性能向上のために,変形空間における変形可能な形状を学習する最初のディープラーニングモデルGeo-SICを提案する。
画像空間と潜時形状空間の両方から特徴を同時に導出する,クラス内変動の大きい新設計のフレームワークを提案する。
幾何学的形状表現の教師なし学習を取り入れた強化型分類網を開発した。
論文 参考訳（メタデータ） (2022-10-25T01:55:17Z) - 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 singular Riemannian geometry approach to Deep Neural Networks II.
Reconstruction of 1-D equivalence classes [78.120734120667]
入力空間における出力多様体内の点の事前像を構築する。
我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
論文 参考訳（メタデータ） (2021-12-17T11:47:45Z) - DeepSSM: A Blueprint for Image-to-Shape Deep Learning Models [4.608133071225539]
統計的形状モデリング(SSM)は、医学画像から生成される形状の個体群における解剖学的変異を特徴付ける。
DeepSSMは、ディープラーニングベースのイメージ・トゥ・シェイプモデルのための青写真を提供することを目指している。
論文 参考訳（メタデータ） (2021-10-14T04:52:37Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - Category Level Object Pose Estimation via Neural Analysis-by-Synthesis [64.14028598360741]
本稿では、勾配に基づくフィッティング法とパラメトリックニューラルネットワーク合成モジュールを組み合わせる。
画像合成ネットワークは、ポーズ設定空間を効率的に分散するように設計されている。
本研究では,2次元画像のみから高精度に物体の向きを復元できることを実験的に示す。
論文 参考訳（メタデータ） (2020-08-18T20:30:47Z) - Self-Supervised Discovery of Anatomical Shape Landmarks [5.693003993674883]
画像中のランドマークを自動的に位置決めし、検出し、その後の分析に使用できる自己教師型ニューラルネットワークアプローチを提案する。
本稿では,一組の入力画像のみを取り込み,統計的形状解析に即時に利用できるランドマークを生成する,完全なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-13T00:56:33Z) - Flexible Bayesian Modelling for Nonlinear Image Registration [0.3914676152740142]
本稿では,画像群を共通空間に正確に整列させることができる微分型登録アルゴリズムについて述べる。
その考え方は、形状と外観のばらつきを考慮に入れた確率的グラフィカルモデルで推論を行うことである。
モデルは3次元ヒト脳スキャンのオブジェクト間登録において評価される。
論文 参考訳（メタデータ） (2020-06-03T15:33:14Z)
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。