論文の概要: DiffuseMorph: Unsupervised Deformable Image Registration Along
Continuous Trajectory Using Diffusion Models
- arxiv url: http://arxiv.org/abs/2112.05149v1
- Date: Thu, 9 Dec 2021 08:41:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-13 14:03:30.649343
- Title: DiffuseMorph: Unsupervised Deformable Image Registration Along
Continuous Trajectory Using Diffusion Models
- Title（参考訳）: DiffuseMorph:拡散モデルを用いた連続軌道に沿った教師なし変形画像登録
- Authors: Boah Kim, Inhwa Han, Jong Chul Ye
- Abstract要約: DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。
本モデルは,動画像と固定画像の変形のスコア関数を学習する。
本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
- 参考スコア（独自算出の注目度）: 31.826844124173984
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deformable image registration is one of the fundamental tasks for medical
imaging and computer vision. Classical registration algorithms usually rely on
iterative optimization approaches to provide accurate deformation, which
requires high computational cost. Although many deep-learning-based methods
have been developed to carry out fast image registration, it is still
challenging to estimate the deformation field with less topological folding
problem. Furthermore, these approaches only enable registration to a single
fixed image, and it is not possible to obtain continuously varying registration
results between the moving and fixed images. To address this, here we present a
novel approach of diffusion model-based probabilistic image registration,
called DiffuseMorph. Specifically, our model learns the score function of the
deformation between moving and fixed images. Similar to the existing diffusion
models, DiffuseMorph not only provides synthetic deformed images through a
reverse diffusion process, but also enables various levels of deformation of
the moving image along with the latent space. Experimental results on 2D face
expression image and 3D brain image registration tasks demonstrate that our
method can provide flexible and accurate deformation with a capability of
topology preservation.
- Abstract（参考訳）: 変形可能な画像登録は、医療画像とコンピュータビジョンの基本的なタスクの1つである。
古典的な登録アルゴリズムは通常、高い計算コストを必要とする正確な変形を提供するために反復最適化アプローチに依存する。
高速画像登録を行うために多くの深層学習に基づく手法が開発されているが、位相的折り畳み問題が少ない変形場を推定することは依然として困難である。
さらに、これらの手法は単一の固定画像への登録のみを可能にし、移動画像と固定画像の間で連続的に変化する登録結果を得ることはできない。
そこで,本稿では拡散モデルに基づく確率的画像登録の新たなアプローチについて述べる。
具体的には,移動画像と固定画像の変形のスコア関数を学習する。
既存の拡散モデルと同様に、DiffuseMorphは逆拡散過程を通じて合成変形画像を提供するだけでなく、遅延空間とともに移動画像の様々なレベルの変形を可能にする。
2次元顔表情画像と3次元脳画像登録タスクの実験結果は, トポロジー保存機能を備えた柔軟かつ高精度な変形を実現することを証明した。
関連論文リスト
- Fast constrained sampling in pre-trained diffusion models [77.21486516041391]
拡散モデルは、大規模な生成画像モデルの分野を支配してきた。
本研究では,大規模な事前学習拡散モデルにおける高速拘束サンプリングのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-10-24T14:52:38Z) - Breaking Modality Disparity: Harmonized Representation for Infrared and
Visible Image Registration [66.33746403815283]
シーン適応型赤外線と可視画像の登録を提案する。
我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。
我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
論文 参考訳（メタデータ） (2023-04-12T06:49:56Z) - 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) - Multi-Objective Dual Simplex-Mesh Based Deformable Image Registration
for 3D Medical Images -- Proof of Concept [0.7734726150561088]
本研究は,単純なメッシュに基づく3次元デュアルダイナミックグリッド変換モデルを用いて,多目的3次元変形可能な画像登録のための最初の手法を提案する。
概念実証プロトタイプは, 総合的, 臨床的な3D登録問題に対して有望な結果を示した。
論文 参考訳（メタデータ） (2022-02-22T16:07:29Z) - A training-free recursive multiresolution framework for diffeomorphic
deformable image registration [6.929709872589039]
変形可能な画像登録のための新しい微分型学習自由アプローチを提案する。
提案するアーキテクチャは設計上は単純で,各解像度で移動像を順次ワープし,最終的に固定像に整列する。
システム全体はエンドツーエンドで、スクラッチから各2つのイメージに最適化されている。
論文 参考訳（メタデータ） (2022-02-01T15:17:17Z) - Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。
実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
論文 参考訳（メタデータ） (2021-11-27T12:12:57Z) - Deformable Image Registration using Neural ODEs [15.245085400790002]
ニューラル常微分方程式(NODE)を利用した汎用的で高速かつ高精度な微分型画像登録フレームワークを提案する。
従来の最適化手法と比較して、我々のフレームワークは実行時間を数十分から数十秒に短縮する。
実験の結果, 提案手法の登録結果は, 各種測定値において, 最先端技術よりも優れていた。
論文 参考訳（メタデータ） (2021-08-07T12:54:17Z) - A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。
本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。
本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
論文 参考訳（メタデータ） (2021-07-09T13:35:59Z) - An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。
本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。
現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
論文 参考訳（メタデータ） (2020-05-19T06:00:13Z) - 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) - 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。