論文の概要: A Resolution Enhancement Plug-in for Deformable Registration of Medical
Images
- arxiv url: http://arxiv.org/abs/2112.15180v1
- Date: Thu, 30 Dec 2021 19:04:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-03 15:44:41.029769
- Title: A Resolution Enhancement Plug-in for Deformable Registration of Medical
Images
- Title(参考訳): 医用画像の変形登録のための解像度向上プラグイン
- Authors: Kaicong Sun, Sven Simon
- Abstract要約: 超解像 (SR) は空間分解能向上を目的としたアルゴリズム技術である。
CNNベースの解像度向上モジュール(REM)は、登録ネットワークにケースド方式で簡単に接続できる。
REMは、医用画像の変形可能な登録を定量的に、質的に、徹底的に評価する。
- 参考スコア(独自算出の注目度): 2.512827436728378
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Image registration is a fundamental task for medical imaging. Resampling of
the intensity values is required during registration and better spatial
resolution with finer and sharper structures can improve the resampling
performance and hence the registration accuracy. Super-resolution (SR) is an
algorithmic technique targeting at spatial resolution enhancement which can
achieve an image resolution beyond the hardware limitation. In this work, we
consider SR as a preprocessing technique and present a CNN-based resolution
enhancement module (REM) which can be easily plugged into the registration
network in a cascaded manner. Different residual schemes and network
configurations of REM are investigated to obtain an effective architecture
design of REM. In fact, REM is not confined to image registration, it can also
be straightforwardly integrated into other vision tasks for enhanced
resolution. The proposed REM is thoroughly evaluated for deformable
registration on medical images quantitatively and qualitatively at different
upscaling factors. Experiments on LPBA40 brain MRI dataset demonstrate that REM
not only improves the registration accuracy, especially when the input images
suffer from degraded spatial resolution, but also generates resolution enhanced
images which can be exploited for successive diagnosis.
- Abstract(参考訳): 画像登録は医療画像の基本的な課題である。
登録時に強度値の再サンプリングが必要であり、より微細でシャープな構造の空間分解能が向上すれば、再サンプリング性能が向上し、登録精度が向上する。
super- resolution(スーパーレゾリューション、sr)は、ハードウェアの限界を超える解像度を実現できる空間レゾリューション拡張を目的としたアルゴリズム技術である。
本研究では,SRを前処理技術とみなし,登録ネットワークに簡単に接続可能なCNNベースの解像度向上モジュール(REM)を提案する。
残差スキームとREMのネットワーク構成を比較検討し,REMのアーキテクチャ設計を効果的に行う。
実際、REMは画像登録に限らず、他の視覚タスクと直接統合して解像度を高めることもできる。
提案するREMは,医療画像上の変形可能な登録を,異なるアップスケーリング因子で定量的に定性的に評価する。
LPBA40脳MRIデータセットの実験では、特に入力画像が劣化した空間分解能に苦しむ場合、REMは登録精度を向上するだけでなく、連続診断に利用できる解像度向上画像を生成する。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳(メタデータ) (2024-10-05T20:03:57Z) - Recurrent Inference Machine for Medical Image Registration [11.351457718409788]
本稿では,リカレント推論画像登録(RIIR)ネットワークと呼ばれる新しい画像登録手法を提案する。
RIIRは、メタラーニングによる登録問題の解法として反復的に定式化される。
実験の結果、RIIRはトレーニングデータの5%しか持たない深層学習法よりも優れていた。
論文 参考訳(メタデータ) (2024-06-19T10:06:35Z) - Resolution- and Stimulus-agnostic Super-Resolution of Ultra-High-Field Functional MRI: Application to Visual Studies [1.8327547104097965]
高分解能fMRIは脳のメソスケール組織への窓を提供する。
しかし、高い空間分解能はスキャン時間を増加させ、低信号とコントラスト-ノイズ比を補う。
本研究では,fMRIのための深層学習に基づく3次元超解像法を提案する。
論文 参考訳(メタデータ) (2023-11-25T03:33:36Z) - Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。
これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文 参考訳(メタデータ) (2023-02-05T02:41:46Z) - Joint segmentation and discontinuity-preserving deformable registration:
Application to cardiac cine-MR images [74.99415008543276]
多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。
本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。
入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。
大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
論文 参考訳(メタデータ) (2022-11-24T23:45:01Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - Single MR Image Super-Resolution using Generative Adversarial Network [0.696125353550498]
Real Enhanced Super Resolution Generative Adrial Network (Real-ESRGAN) は、高解像度画像の生成に使われている最近の効果的なアプローチの1つである。
本稿では,2次元MR画像の空間分解能を高めるために本手法を適用した。
論文 参考訳(メタデータ) (2022-07-16T23:15:10Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳(メタデータ) (2021-08-19T11:02:25Z) - 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) - FDRN: A Fast Deformable Registration Network for Medical Images [3.3504365823045044]
本稿では,高速な畳み込みニューラルネットワークを提案する。
FDRNは、コンパクトなネットワーク構造と効率的な学習により、既存の脳MR画像の最先端登録方法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-04T14:09:51Z)
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。