論文の概要: Stochastic Planner-Actor-Critic for Unsupervised Deformable Image
Registration
- arxiv url: http://arxiv.org/abs/2112.07415v1
- Date: Tue, 14 Dec 2021 14:08:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-15 15:23:05.451078
- Title: Stochastic Planner-Actor-Critic for Unsupervised Deformable Image
Registration
- Title（参考訳）: 教師なしデフォルマブル画像登録のための確率プランナーアクタクリティカル
- Authors: Ziwei Luo, Jing Hu, Xin Wang, Shu Hu, Bin Kong, Youbing Yin, Qi Song,
Xi Wu, Siwei Lyu
- Abstract要約: 本稿では,大きく変形する医療画像の段階的登録を行う,新しい強化学習ベースのフレームワークを提案する。
本手法は2次元および3次元の医用画像データセットを用いて評価し,その一部は大きな変形を含む。
- 参考スコア（独自算出の注目度）: 33.72954116727303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large deformations of organs, caused by diverse shapes and nonlinear shape
changes, pose a significant challenge for medical image registration.
Traditional registration methods need to iteratively optimize an objective
function via a specific deformation model along with meticulous parameter
tuning, but which have limited capabilities in registering images with large
deformations. While deep learning-based methods can learn the complex mapping
from input images to their respective deformation field, it is regression-based
and is prone to be stuck at local minima, particularly when large deformations
are involved. To this end, we present Stochastic Planner-Actor-Critic (SPAC), a
novel reinforcement learning-based framework that performs step-wise
registration. The key notion is warping a moving image successively by each
time step to finally align to a fixed image. Considering that it is challenging
to handle high dimensional continuous action and state spaces in the
conventional reinforcement learning (RL) framework, we introduce a new concept
`Plan' to the standard Actor-Critic model, which is of low dimension and can
facilitate the actor to generate a tractable high dimensional action. The
entire framework is based on unsupervised training and operates in an
end-to-end manner. We evaluate our method on several 2D and 3D medical image
datasets, some of which contain large deformations. Our empirical results
highlight that our work achieves consistent, significant gains and outperforms
state-of-the-art methods.
- Abstract（参考訳）: 臓器の大きな変形は、様々な形状と非線形な形状の変化によって引き起こされ、医療画像登録において重要な課題となる。
従来の登録法では、特定の変形モデルを用いて目的関数を厳密なパラメータチューニングとともに反復的に最適化する必要があるが、大きな変形を伴う画像の登録には限界がある。
深層学習に基づく手法は入力画像からそれぞれの変形場への複雑なマッピングを学習することができるが、回帰ベースであり、特に大きな変形が関与している場合、局所的なミニマムに定着しがちである。
そこで我々は,段階的登録を行う新しい強化学習フレームワークであるStochastic Planner-Actor-Critic(SPAC)を提案する。
鍵となる概念は、移動画像を各時間ステップごとに順次巻き戻し、最終的に固定画像に合わせることである。
従来の強化学習(rl)フレームワークでは,高次元連続動作や状態空間を扱うことが困難であると考え,低次元のアクタ-批判モデルに新たな概念「プラン」を導入する。
フレームワーク全体が教師なしのトレーニングに基づいており、エンドツーエンドで動作します。
本手法は2次元および3次元の医用画像データセットで評価し,その一部は大きな変形を含む。
我々の経験的結果は、我々の仕事は一貫性があり、重要な利益を達成し、最先端の手法より優れています。
関連論文リスト
- RL-I2IT: Image-to-Image Translation with Deep Reinforcement Learning [54.40719981158774]
画像から画像への変換(I2IT)手法は,ディープラーニング(DL)モデルの単一実行時に画像を生成する。
深部強化学習(DRL)によるステップワイド意思決定問題としてI2ITを再構成する。
RLベースのI2IT(RL-I2IT)を実現する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-24T15:40:40Z) - SceNeRFlow: Time-Consistent Reconstruction of General Dynamic Scenes [75.9110646062442]
我々はSceNeRFlowを提案し、時間的一貫性のある方法で一般的な非剛体シーンを再構築する。
提案手法は,カメラパラメータを入力として,静止カメラからのマルチビューRGBビデオと背景画像を取得する。
実験により,小規模動作のみを扱う先行作業とは異なり,スタジオスケール動作の再構築が可能であることが示された。
論文 参考訳（メタデータ） (2023-08-16T09:50:35Z) - RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline
Model and DoF-based Curriculum Learning [62.86400614141706]
我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。
我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。
実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
論文 参考訳（メタデータ） (2023-01-04T15:12:57Z) - DiffuseMorph: Unsupervised Deformable Image Registration Along
Continuous Trajectory Using Diffusion Models [31.826844124173984]
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。
論文 参考訳（メタデータ） (2021-12-09T08:41:23Z) - Image Deformation Estimation via Multi-Objective Optimization [13.159751065619544]
自由形変形モデルは、画像上の制御点格子を操作することにより、幅広い非剛体変形を表現することができる。
フィットネスランドスケープの複雑さのため,変形画像にモデルを直接適合させることは困難である。
論文 参考訳（メタデータ） (2021-06-08T06:52:12Z) - 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) - 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)
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。