論文の概要: Dual-Flow Transformation Network for Deformable Image Registration with Region Consistency Constraint

• arxiv url: http://arxiv.org/abs/2112.02249v1
• Date: Sat, 4 Dec 2021 05:30:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-07 16:41:03.609303
• Title: Dual-Flow Transformation Network for Deformable Image Registration with Region Consistency Constraint
• Title（参考訳）: 領域制約のある変形可能な画像登録のためのデュアルフロー変換ネットワーク
• Authors: Xinke Ma, Yibo Yang, Yong Xia, Dacheng Tao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 95.30864269428808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable image registration is able to achieve fast and accurate alignment between a pair of images and thus plays an important role in many medical image studies. The current deep learning (DL)-based image registration approaches directly learn the spatial transformation from one image to another by leveraging a convolutional neural network, requiring ground truth or similarity metric. Nevertheless, these methods only use a global similarity energy function to evaluate the similarity of a pair of images, which ignores the similarity of regions of interest (ROIs) within images. Moreover, DL-based methods often estimate global spatial transformations of image directly, which never pays attention to region spatial transformations of ROIs within images. In this paper, we present a novel dual-flow transformation network with region consistency constraint which maximizes the similarity of ROIs within a pair of images and estimates both global and region spatial transformations simultaneously. Experiments on four public 3D MRI datasets show that the proposed method achieves the best registration performance in accuracy and generalization compared with other state-of-the-art methods.
• Abstract（参考訳）: 変形可能な画像登録は、一対の画像間の高速かつ正確なアライメントを実現することができ、多くの医用画像研究において重要な役割を果たす。 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活用して、ある画像から別の画像への空間的変換を直接学習する。 しかしながら、これらの手法は、画像内の領域(ROI)の類似性を無視した一対のイメージの類似性を評価するために、グローバルな類似性エネルギー関数のみを使用する。 さらに、DLベースの手法は画像のグローバル空間変換を直接推定することが多く、画像内のROIの領域空間変換には注意を払わない。 本稿では,一対のイメージ内のROIの類似性を最大化し,大域的空間変換と地域的空間変換を同時に推定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データセットによる実験により,提案手法は,他の最先端手法と比較して,精度と一般化において最高の登録性能を達成できることが示された。

関連論文リスト

• Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [50.576354045312115]
  直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。 画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。 そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
  論文  参考訳（メタデータ） (2024-03-11T10:48:56Z)
• Learning Non-Local Spatial-Angular Correlation for Light Field Image Super-Resolution [36.69391399634076]
  光場(LF)画像超解像(SR)には空間-角相関の爆発が不可欠である LF画像SRの非局所的空間角相関を学習するための簡易かつ効果的な手法を提案する。 提案手法は,全角視からの情報を完全に取り入れつつ,極上線に沿った大域的受容場を達成できる。
  論文  参考訳（メタデータ） (2023-02-16T03:40:40Z)
• Smooth image-to-image translations with latent space interpolations [64.8170758294427]
  マルチドメインイメージ・トゥ・イメージ(I2I)変換は、ターゲットドメインのスタイルに応じてソースイメージを変換することができる。 我々の正規化技術は、最先端のI2I翻訳を大きなマージンで改善できることを示す。
  論文  参考訳（メタデータ） (2022-10-03T11:57:30Z)
• Affine Medical Image Registration with Coarse-to-Fine Vision Transformer [11.4219428942199]
  本稿では,3次元医用画像登録のための学習ベースアルゴリズムであるCoarse-to-Fine Vision Transformer (C2FViT)を提案する。 本手法は, 登録精度, 堅牢性, 一般化性の観点から, 既存のCNNベースのアフィン登録法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-29T03:18:43Z)
• Fast computation of mutual information in the frequency domain with applications to global multimodal image alignment [3.584984184069584]
  情報理論における相互情報(MI)の概念は,多モードアライメントプロセスの導出のための類似度尺度として広く用いられている。 すべての離散空間変位に対する計算MIの効率的なアルゴリズムを提案する。 提案手法の有効性を3つのベンチマークデータセットで評価した。
  論文  参考訳（メタデータ） (2021-06-28T13:27:05Z)
• Smoothing the Disentangled Latent Style Space for Unsupervised Image-to-Image Translation [56.55178339375146]
  イメージ・ツー・イメージ(I2I)マルチドメイン翻訳モデルは通常、セマンティックな結果の品質を用いて評価される。 本稿では,翻訳ネットワークがスムーズでゆがみのあるラテントスタイル空間を学習するのに役立つ,3つの特定の損失に基づく新たなトレーニングプロトコルを提案する。
  論文  参考訳（メタデータ） (2021-06-16T17:58:21Z)
• LocalTrans: A Multiscale Local Transformer Network for Cross-Resolution Homography Estimation [52.63874513999119]
  クロスレゾリューション画像アライメントは、マルチスケールギガ撮影において重要な問題である。 既存のディープ・ホモグラフィー手法は、それらの間の対応の明示的な定式化を無視し、クロスレゾリューションの課題において精度が低下する。 本稿では,マルチモーダル入力間の対応性を明確に学習するために,マルチスケール構造内に埋め込まれたローカルトランスフォーマーネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-08T02:51:45Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• MDReg-Net: Multi-resolution diffeomorphic image registration using fully convolutional networks with deep self-supervision [2.0178765779788486]
  完全畳み込みネットワーク(FCN)を用いて、登録する画像のペア間の空間変換を学習するための微分型画像登録アルゴリズムを提案する。 このネットワークは、固定された動画像と歪んだ動画像間の画像ワイド類似度メトリックを最大化することにより、一対の画像間の微分同相空間変換を推定するように訓練されている。 高分解能3次元構造脳磁気共鳴(MR)画像の登録実験の結果,本手法で訓練した画像登録ネットワークは,数秒で頑健で微分型画像登録結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-10-04T02:00:37Z)
• Fast Symmetric Diffeomorphic Image Registration with Convolutional Neural Networks [11.4219428942199]
  本稿では,新しい非教師付き対称画像登録手法を提案する。 大規模脳画像データセットを用いた3次元画像登録法について検討した。
  論文  参考訳（メタデータ） (2020-03-20T22:07:24Z)

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。