論文の概要: Regularized directional representations for medical image registration

• arxiv url: http://arxiv.org/abs/2111.15509v1
• Date: Tue, 30 Nov 2021 15:46:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 17:23:10.969485
• Title: Regularized directional representations for medical image registration
• Title（参考訳）: 医用画像登録のための正規化方向表現
• Authors: Vincent Jaouen, Pierre-Henri Conze, Guillaume Dardenne, Julien Bert and Dimitris Visvikis
• Abstract要約: 構造情報から導出される正規化ベクトル場のアライメントに基づくモノモーダル画像とマルチモーダル画像の登録手法を提案する。 我々の手法は、強度ベース登録と類似したベクトル場を置換することにより、既存の登録フレームワークと直接的に組み合わせることができる。 実験の結果,提案手法は複数の公開画像データセット上での従来の画像アライメントと良好に比較できることがわかった。
• 参考スコア（独自算出の注目度）: 4.58890698751733
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In image registration, many efforts have been devoted to the development of alternatives to the popular normalized mutual information criterion. Concurrently to these efforts, an increasing number of works have demonstrated that substantial gains in registration accuracy can also be achieved by aligning structural representations of images rather than images themselves. Following this research path, we propose a new method for mono- and multimodal image registration based on the alignment of regularized vector fields derived from structural information such as gradient vector flow fields, a technique we call \textit{vector field similarity}. Our approach can be combined in a straightforward fashion with any existing registration framework by substituting vector field similarity to intensity-based registration. In our experiments, we show that the proposed approach compares favourably with conventional image alignment on several public image datasets using a diversity of imaging modalities and anatomical locations.
• Abstract（参考訳）: 画像登録では、一般的な正規化相互情報基準に代わる選択肢の開発に多くの努力が払われている。 これらの取り組みと並行して、画像自体ではなく、画像の構造的表現を整列させることにより、登録精度の大幅な向上も達成できることを示す研究が増えている。 そこで本研究では,勾配ベクトル場などの構造情報から導出される正則化ベクトル場のアライメントに基づく,モノモダル画像とマルチモーダル画像の登録手法を提案する。 本手法は,インテンシティに基づく登録とベクトル場類似性を置換することにより,既存の登録フレームワークと容易に組み合わせることができる。 提案手法は,画像の多様性と解剖学的位置の多様性を用いて,複数の公開画像データセット上の従来の画像アライメントと比較した。

関連論文リスト

• Mind the Gap Between Prototypes and Images in Cross-domain Finetuning [64.97317635355124]
  プロトタイプと画像にそれぞれ異なる変換を適用するために,コントラスト型プロトタイプイメージ適応(CoPA)を提案する。 Meta-Datasetの実験では、CoPAが最先端のパフォーマンスをより効率的に達成できることが示されている。
  論文  参考訳（メタデータ） (2024-10-16T11:42:11Z)
• FreeCompose: Generic Zero-Shot Image Composition with Diffusion Prior [50.0535198082903]
  我々は,複数の入力イメージを単一のコヒーレントなイメージに統合する,新しい画像合成手法を提案する。 本稿では, 大規模事前学習拡散モデルに内在する強力な生成的前駆体を利用して, 汎用画像合成を実現する可能性を示す。
  論文  参考訳（メタデータ） (2024-07-06T03:35:43Z)
• 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)
• Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
  多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。 本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。 入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。 大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
  論文  参考訳（メタデータ） (2022-11-24T23:45:01Z)
• Deformer: Towards Displacement Field Learning for Unsupervised Medical Image Registration [28.358693013757865]
  本稿では,デフォルマブル画像登録タスクのためのマルチスケールフレームワークとともに,新しいデフォルマモジュールを提案する。 Deformerモジュールは、画像表現から空間変換へのマッピングを容易にするように設計されている。 粗い粒度で変位場を予測するマルチスケールの枠組みにより、優れた性能が得られる。
  論文  参考訳（メタデータ） (2022-07-07T09:14:40Z)
• 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)
• Dual-Flow Transformation Network for Deformable Image Registration with Region Consistency Constraint [95.30864269428808]
  現在のディープラーニング(DL)ベースの画像登録アプローチは、畳み込みニューラルネットワークを利用して、ある画像から別の画像への空間変換を学習する。 一対のイメージ内のROIの類似性を最大化する領域整合性制約を持つ新しいデュアルフロー変換ネットワークを提案する。 4つの公開3次元MRIデータセットを用いた実験により,提案手法は精度と一般化において最高の登録性能が得られることを示した。
  論文  参考訳（メタデータ） (2021-12-04T05:30:44Z)
• Deep Group-wise Variational Diffeomorphic Image Registration [3.0022455491411653]
  本稿では,複数の画像の同時登録を可能にするために,現在の学習ベース画像登録を拡張することを提案する。 本稿では,複数の画像の粘性測地線平均への登録と,利用可能な画像のいずれかを固定画像として使用可能な登録を両立できる汎用的な数学的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-10-01T07:37:28Z)
• Image-to-image Mapping with Many Domains by Sparse Attribute Transfer [71.28847881318013]
  教師なし画像と画像の変換は、2つの領域間の一対のマッピングを、ポイント間の既知のペアワイズ対応なしで学習することで構成される。 現在の慣例は、サイクル一貫性のあるGANでこのタスクにアプローチすることです。 そこで本研究では,ジェネレータを直接,潜在層における単純なスパース変換に制限する代替手法を提案する。
  論文  参考訳（メタデータ） (2020-06-23T19:52:23Z)

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。