論文の概要: MICS : Multi-steps, Inverse Consistency and Symmetric deep learning registration network

• arxiv url: http://arxiv.org/abs/2111.12123v1
• Date: Tue, 23 Nov 2021 19:46:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-25 14:10:07.125652
• Title: MICS : Multi-steps, Inverse Consistency and Symmetric deep learning registration network
• Title（参考訳）: MICS : 多段階・逆一貫性・対称性深層学習登録ネットワーク
• Authors: Th\'eo Estienne, Maria Vakalopoulou, Enzo Battistella, Theophraste Henry, Marvin Lerousseau, Amaury Leroy, Nikos Paragios and Eric Deutsch
• Abstract要約: MICSは医用画像登録のための新しいディープラーニングアルゴリズムである。 アルゴリズムは、逆整合性、対称性、配向保存といった異なる性質の点に焦点をあてる。
• 参考スコア（独自算出の注目度）: 5.5115587651470035
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deformable registration consists of finding the best dense correspondence between two different images. Many algorithms have been published, but the clinical application was made difficult by the high calculation time needed to solve the optimisation problem. Deep learning overtook this limitation by taking advantage of GPU calculation and the learning process. However, many deep learning methods do not take into account desirable properties respected by classical algorithms. In this paper, we present MICS, a novel deep learning algorithm for medical imaging registration. As registration is an ill-posed problem, we focused our algorithm on the respect of different properties: inverse consistency, symmetry and orientation conservation. We also combined our algorithm with a multi-step strategy to refine and improve the deformation grid. While many approaches applied registration to brain MRI, we explored a more challenging body localisation: abdominal CT. Finally, we evaluated our method on a dataset used during the Learn2Reg challenge, allowing a fair comparison with published methods.
• Abstract（参考訳）: 変形可能な登録は、2つの異なる画像間の最も密接な対応を見つけることからなる。 多くのアルゴリズムが公表されているが、最適化問題を解決するのに必要な高い計算時間によって臨床応用は困難であった。 ディープラーニングは、GPU計算と学習プロセスを活用することで、この制限を克服した。 しかし、多くのディープラーニング手法は古典的アルゴリズムによって尊重される望ましい性質を考慮していない。 本稿では,医療画像登録のための新しい深層学習アルゴリズムであるmicsについて述べる。 登録は不適切な問題であるので、アルゴリズムは逆一貫性、対称性、方向保存という異なる性質に焦点をあてた。 また, 変形格子を洗練し改善するための多段階戦略をアルゴリズムと組み合わせた。 脳MRIでは,多くのアプローチが採用されているが,腹部CTではより困難である。 最後に,learn2regチャレンジで使用したデータセットを用いて評価を行い,公開手法との比較を行った。

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)
• QN-Mixer: A Quasi-Newton MLP-Mixer Model for Sparse-View CT Reconstruction [0.0]
  準ニュートン法に基づくアルゴリズムQN-Mixerを導入する。 Incept-Mixerは非局所正規化用語として機能する効率的なニューラルネットワークである。 我々のアプローチは知的に情報をサンプリングし、計算要求を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-28T00:20:25Z)
• A skeletonization algorithm for gradient-based optimization [13.2737105544687]
  デジタル画像の骨格は、そのトポロジー、幾何学、スケールのコンパクトな表現である。 ほとんどの既存のスケルトン化アルゴリズムは微分不可能であり、勾配に基づく最適化と統合することは不可能である。 この研究は、勾配に基づく最適化と互換性があり、物体の位相を保存する最初の3次元スケルトン化アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2023-09-05T18:40:14Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• 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)
• Multi-modal unsupervised brain image registration using edge maps [7.49320945341034]
  本稿では,マルチモーダル画像登録手法を提案する。 この背景にある直感は、強い勾配の像の位置が組織の遷移を意味すると仮定されている。 我々は3つの異なる損失関数を用いて、異なる被験者のマルチモーダル(T1wからT2w)磁気共鳴(MR)脳画像を登録する状況において、我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2022-02-09T15:50:14Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• Deep learning based geometric registration for medical images: How accurate can we get without visual features? [5.05806585671215]
  ディープラーニングは、画像登録のための新しいアプローチの開発を推進している。 本稿では,幾何学的特徴と最適化のみに基づく登録のための深層学習フレームワークを検討することで,正反対のアプローチを検討する。 実験では, 肺内構造の複雑なキーポイントグラフを用いて, 高密度エンコーダ・デコーダネットワークや他のポイントセット登録法を強力に上回って検証を行った。
  論文  参考訳（メタデータ） (2021-03-01T10:15:47Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• Learning to Stop While Learning to Predict [85.7136203122784]
  多くのアルゴリズムにインスパイアされたディープモデルは全ての入力に対して固定深度に制限される。 アルゴリズムと同様に、深いアーキテクチャの最適深さは、異なる入力インスタンスに対して異なるかもしれない。 本稿では, ステアブルアーキテクチャを用いて, この様々な深さ問題に対処する。 学習した深層モデルと停止ポリシーにより,多様なタスクセットのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2020-06-09T07:22:01Z)
• 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。