論文の概要: Fast 3D registration with accurate optimisation and little learning for
Learn2Reg 2021
- arxiv url: http://arxiv.org/abs/2112.03053v1
- Date: Mon, 6 Dec 2021 13:55:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 21:38:33.996858
- Title: Fast 3D registration with accurate optimisation and little learning for
Learn2Reg 2021
- Title（参考訳）: Learn2Reg 2021における正確な最適化と学習の少ない高速3次元登録
- Authors: Hanna Siebert, Lasse Hansen, Mattias P. Heinrich
- Abstract要約: 医用画像登録のための高速かつ高精度な最適化手法を提案する。
離散変位と凸最適化を併用することにより,大きな変形に頑健に対処できる。
モータリティとコントラスト不変性を持つ手作り特徴を抽出し,タスク固有セグメンテーションU-Netから意味的特徴を補足する。
- 参考スコア（独自算出の注目度）: 4.281534522573409
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current approaches for deformable medical image registration often struggle
to fulfill all of the following criteria: versatile applicability, small
computation or training times, and the being able to estimate large
deformations. Furthermore, end-to-end networks for supervised training of
registration often become overly complex and difficult to train. For the
Learn2Reg2021 challenge, we aim to address these issues by decoupling feature
learning and geometric alignment. First, we introduce a new very fast and
accurate optimisation method. By using discretised displacements and a coupled
convex optimisation procedure, we are able to robustly cope with large
deformations. With the help of an Adam-based instance optimisation, we achieve
very accurate registration performances and by using regularisation, we obtain
smooth and plausible deformation fields. Second, to be versatile for different
registration tasks, we extract hand-crafted features that are modality and
contrast invariant and complement them with semantic features from a
task-specific segmentation U-Net. With our results we were able to achieve the
overall Learn2Reg2021 challenge's second place, winning Task 1 and being second
and third in the other two tasks.
- Abstract（参考訳）: 変形可能な医用画像登録の現在のアプローチは、多用途適用性、小さな計算やトレーニング時間、大きな変形を見積もることができることなど、すべての基準を満たすのに苦労することが多い。
さらに、登録を監督するエンド・ツー・エンドのネットワークはしばしば複雑になり、訓練が困難になる。
Learn2Reg2021チャレンジでは,特徴学習と幾何学的アライメントを分離することで,これらの課題に対処する。
まず, 高速かつ高精度な最適化手法を提案する。
離散変位と凸最適化を併用することにより,大きな変形に頑健に対処できる。
我々はAdamベースのインスタンス最適化の助けを借りて、非常に正確な登録性能を実現し、正規化を用いて滑らかで可塑性な変形場を得る。
第2に、異なる登録タスクに汎用性を持たせるために、モータリティとコントラスト不変性を持つ手作り特徴を抽出し、タスク固有のセグメンテーションU-Netから意味的特徴を補完する。
その結果、Learner2Reg2021チャレンジの2位を獲得し、タスク1で勝利し、他の2つのタスクで2位と3位になった。
関連論文リスト
- Global Point Cloud Registration Network for Large Transformations [46.7301374772952]
ローカルトランスフォーメーションの優れたパフォーマンスを維持しつつ,大規模なトランスフォーメーションが発生するケースに直面するアーキテクチャであるReLaToを提案する。
本稿では,ソフトマックスプーリング層を用いて2つの点集合間の相互一致関係を抽出し,最も確実な一致を抽出する。
そして、得られた一致と潜伏特徴の両方に目標誘導復調ステップを適用し、最終的な微妙な登録を推定する。
論文 参考訳（メタデータ） (2024-03-26T18:52:48Z) - Adaptive Cross Batch Normalization for Metric Learning [75.91093210956116]
メトリクス学習はコンピュータビジョンの基本的な問題である。
蓄積した埋め込みが最新であることを保証することは、同様に重要であることを示す。
特に、蓄積した埋め込みと現在のトレーニングイテレーションにおける特徴埋め込みとの間の表現的ドリフトを回避する必要がある。
論文 参考訳（メタデータ） (2023-03-30T03:22:52Z) - A Non-parametric Skill Representation with Soft Null Space Projectors
for Fast Generalization [7.119677737397071]
ヌル空間プロジェクタを含む非パラメトリック運動プリミティブを導出する。
このような定式化により,行列逆変換を伴わずに計算複雑性O(n2)で高速かつ効率的な運動生成が可能となることを示す。
高次元入力による実演技術については、オンザフライ適応も可能であることを示す。
論文 参考訳（メタデータ） (2022-09-18T10:04:59Z) - Toward Learning Robust and Invariant Representations with Alignment
Regularization and Data Augmentation [76.85274970052762]
本論文はアライメント正則化の選択肢の増大を動機としている。
我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。
我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
論文 参考訳（メタデータ） (2022-06-04T04:29:19Z) - Omni-Training for Data-Efficient Deep Learning [80.28715182095975]
近年の進歩により、適切に訓練されたモデルが重要な特性であるトランスファービリティを持つことが明らかとなった。
事前訓練とメタトレーニングの厳密な組み合わせは、どちらの種類のトランスファー可能性も達成できない。
このことが提案されているOmni-Trainingフレームワークを,データ効率のよいディープラーニングに動機付けている。
論文 参考訳（メタデータ） (2021-10-14T16:30:36Z) - Locally Aware Piecewise Transformation Fields for 3D Human Mesh
Registration [67.69257782645789]
本論文では,3次元変換ベクトルを学習し,提案空間内の任意のクエリ点をリザーブ空間内の対応する位置にマップする部分変換場を提案する。
パラメトリックモデルにネットワークのポーズを合わせることで、特に極端なポーズにおいて、より優れた登録品質が得られることを示す。
論文 参考訳（メタデータ） (2021-04-16T15:16:09Z) - Test-Time Training for Deformable Multi-Scale Image Registration [15.523457398508263]
VoxelMorphのようなディープラーニングベースの登録アプローチが出現し、競争パフォーマンスを達成しています。
従来の学習型登録モデルの一般化能力を向上させるために, デフォーマブル画像登録のためのテストタイムトレーニングを構築した。
論文 参考訳（メタデータ） (2021-03-25T03:22:59Z) - Recurrent Multi-view Alignment Network for Unsupervised Surface
Registration [79.72086524370819]
非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。
我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。
また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
論文 参考訳（メタデータ） (2020-11-24T14:22:42Z) - Lifelong Learning Without a Task Oracle [13.331659934508764]
監視されたディープニューラルネットワークは、新しいタスクが学習されると、古いタスクの精度が大幅に低下することが知られている。
本稿では,メモリオーバーヘッドの少ないタスク割り当てマップの提案と比較を行う。
最高のパフォーマンスの変種は、平均的なパラメータメモリの増大を1.7%に抑えるだけである。
論文 参考訳（メタデータ） (2020-11-09T21:30:31Z) - Uniform Priors for Data-Efficient Transfer [65.086680950871]
もっとも移動可能な特徴は埋め込み空間において高い均一性を有することを示す。
我々は、未確認のタスクやデータへの適応を容易にする能力の正規化を評価する。
論文 参考訳（メタデータ） (2020-06-30T04:39:36Z) - When Deep Learning Meets Data Alignment: A Review on Deep Registration
Networks (DRNs) [4.616914111718527]
機械学習の最近の進歩は、コンピュータビジョンの分野における転換点となるかもしれない。
機械学習の最近の進歩は、コンピュータビジョンの分野における転換点となるかもしれない。
論文 参考訳（メタデータ） (2020-03-06T12:56:19Z)
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。