論文の概要: Hybrid Atlas Building with Deep Registration Priors

• arxiv url: http://arxiv.org/abs/2112.06406v1
• Date: Mon, 13 Dec 2021 03:55:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-14 17:28:08.409160
• Title: Hybrid Atlas Building with Deep Registration Priors
• Title（参考訳）: 深層登録を前提としたハイブリッドアトラスビルディング
• Authors: Nian Wu, Jian Wang, Miaomiao Zhang, Guixu Zhang, Yaxin Peng and Chaomin Shen
• Abstract要約: 本稿では,大規模画像データセットからアトラスを高速に推定し,計算コストを大幅に削減するハイブリッドアトラス構築アルゴリズムを提案する。 本稿では,3次元脳磁気共鳴画像(MRI)における本モデルの有効性を実証する。
• 参考スコア（独自算出の注目度）: 22.744067458133628
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Registration-based atlas building often poses computational challenges in high-dimensional image spaces. In this paper, we introduce a novel hybrid atlas building algorithm that fast estimates atlas from large-scale image datasets with much reduced computational cost. In contrast to previous approaches that iteratively perform registration tasks between an estimated atlas and individual images, we propose to use learned priors of registration from pre-trained neural networks. This newly developed hybrid framework features several advantages of (i) providing an efficient way of atlas building without losing the quality of results, and (ii) offering flexibility in utilizing a wide variety of deep learning based registration methods. We demonstrate the effectiveness of this proposed model on 3D brain magnetic resonance imaging (MRI) scans.
• Abstract（参考訳）: 登録ベースのアトラスビルディングは高次元画像空間においてしばしば計算上の問題を引き起こす。 本稿では,大規模画像データセットからatlasを高速に推定し,計算コストを大幅に削減するハイブリッドatlas構築アルゴリズムを提案する。 推定アトラスと個々の画像間の登録タスクを反復的に行う従来のアプローチとは対照的に,事前学習されたニューラルネットワークから学習した事前登録を利用する方法を提案する。 この新しく開発されたハイブリッドフレームワークにはいくつかの利点がある。 (i)結果の質を損なうことなく、効率的なアトラス建築方法を提供すること。 (ii)多種多様な深層学習に基づく登録方法を利用する際の柔軟性を提供する。 本稿では3次元脳磁気共鳴画像(MRI)における本モデルの有効性を示す。

関連論文リスト

• 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)
• Neural Maximum A Posteriori Estimation on Unpaired Data for Motion Deblurring [87.97330195531029]
  本稿では、ニューラルネットワークをトレーニングし、失明したデータから視覚情報や鋭いコンテンツを復元するためのニューラルネットワークの最大Aポストエリオリ(NeurMAP)推定フレームワークを提案する。 提案されたNeurMAPは、既存のデブロアリングニューラルネットワークに対するアプローチであり、未使用データセット上のイメージデブロアリングネットワークのトレーニングを可能にする最初のフレームワークである。
  論文  参考訳（メタデータ） (2022-04-26T08:09:47Z)
• Aladdin: Joint Atlas Building and Diffeomorphic Registration Learning with Pairwise Alignment [18.338563869053065]
  本研究では、畳み込みニューラルネットワーク(CNN)を用いて、アトラスと静止速度場(SVF)パラメータ化を共同で予測し、微分型画像登録を行う。 提案手法は,他の最先端画像登録アルゴリズムよりも性能がよいことを示す。
  論文  参考訳（メタデータ） (2022-02-07T23:52:21Z)
• PARCEL: Physics-based unsupervised contrastive representation learning for parallel MR imaging [9.16860702327751]
  本稿では,並列MR画像の高速化を目的とした物理に基づく非教師付きコントラスト表現学習(PARCEL)法を提案する。 具体的には、PARCELは、アンダーサンプリングされたk空間データから直接の深層学習を実現するために、3つの重要な要素を持っている。 MR画像の固有の特徴や表現を捉えるために、2つのネットワークをガイドするために、特別に設計されたコトレーニング損失が設計されている。
  論文  参考訳（メタデータ） (2022-02-03T10:09:19Z)
• Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
  既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。 このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
  論文  参考訳（メタデータ） (2021-10-26T03:28:36Z)
• Atlas-ISTN: Joint Segmentation, Registration and Atlas Construction with Image-and-Spatial Transformer Networks [11.677800377183972]
  本研究では,2次元および3次元画像データのセグメンテーションと登録を共同で学習するフレームワークであるAtlas-ISTNを提案する。 Atlas-ISTNは、関心の複数の構造をセグメンテーションし、構成された位相的に整合したアトラスラベルマップを中間画素のセグメンテーションに登録する。 このプロセスは、ターゲット画像のノイズを緩和し、刺激的なピクセルワイズ予測をもたらすとともに、モデルのワンパス予測を改善する。
  論文  参考訳（メタデータ） (2020-12-18T21:53:09Z)
• Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
  ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。 本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
  論文  参考訳（メタデータ） (2020-12-16T21:46:33Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)
• 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)
• DeepFLASH: An Efficient Network for Learning-based Medical Image Registration [8.781861951759948]
  DeepFLASHは、学習に基づく医用画像登録のための効率的なトレーニングと推論を行う新しいネットワークである。 我々は2次元合成データと3次元実脳磁気共鳴(MR)画像の2つの異なる画像登録法でアルゴリズムを実証した。
  論文  参考訳（メタデータ） (2020-04-05T05:17:07Z)

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。