論文の概要: Towards Positive Jacobian: Learn to Postprocess Diffeomorphic Image Registration with Matrix Exponential

• arxiv url: http://arxiv.org/abs/2202.00749v1
• Date: Tue, 1 Feb 2022 20:47:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-03 14:52:30.436726
• Title: Towards Positive Jacobian: Learn to Postprocess Diffeomorphic Image Registration with Matrix Exponential
• Title（参考訳）: ポジティヴ・ジャコビアンに向けて:行列指数による差分像登録のプロセス後学習
• Authors: Soumyadeep Pal, Matthew Tennant and Nilanjan Ray
• Abstract要約: 我々は、任意の登録フィールドを入力とする微分可能な層を提案し、入力のヤコビ行列の指数を計算する。 提案したポアソン復元損失は,最終登録分野における正のジャコビアンを強制する。 以上の結果から, ポストプロセッシングにより非陽性ヤコビの数が大幅に減少する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 7.41244589428771
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a postprocessing layer for deformable image registration to make a registration field more diffeomorphic by encouraging Jacobians of the transformation to be positive. Diffeomorphic image registration is important for medical imaging studies because of the properties like invertibility, smoothness of the transformation, and topology preservation/non-folding of the grid. Violation of these properties can lead to destruction of the neighbourhood and the connectivity of anatomical structures during image registration. Most of the recent deep learning methods do not explicitly address this folding problem and try to solve it with a smoothness regularization on the registration field. In this paper, we propose a differentiable layer, which takes any registration field as its input, computes exponential of the Jacobian matrices of the input and reconstructs a new registration field from the exponentiated Jacobian matrices using Poisson reconstruction. Our proposed Poisson reconstruction loss enforces positive Jacobians for the final registration field. Thus, our method acts as a post-processing layer without any learnable parameters of its own and can be placed at the end of any deep learning pipeline to form an end-to-end learnable framework. We show the effectiveness of our proposed method for a popular deep learning registration method Voxelmorph and evaluate it with a dataset containing 3D brain MRI scans. Our results show that our post-processing can effectively decrease the number of non-positive Jacobians by a significant amount without any noticeable deterioration of the registration accuracy, thus making the registration field more diffeomorphic. Our code is available online at https://github.com/Soumyadeep-Pal/Diffeomorphic-Image-Registration-Postprocess.
• Abstract（参考訳）: 本稿では, 変形可能な画像登録のための後処理層を提案する。 逆行性, 変換の滑らかさ, グリッドのトポロジー保存/非折り畳み性などの性質から, 医用画像研究において二相性画像登録は重要である。 これらの特性の侵害は、画像登録中に近隣の破壊と解剖学的構造の接続につながる可能性がある。 最近のディープラーニング手法のほとんどは、この折りたたみ問題に明示的に対処しておらず、登録フィールドの滑らかな正規化によって解決しようとする。 本稿では,任意の登録フィールドを入力とする微分可能層を提案し,入力のヤコビ行列の指数関数を計算し,ポアソン再構成を用いた指数化ヤコビ行列から新しい登録フィールドを再構成する。 提案したポアソン復元損失は,最終登録分野における正のジャコビアンを強制する。 このように,本手法は学習可能なパラメータを含まない後処理層として機能し,ディープラーニングパイプラインの端に配置してエンドツーエンドの学習可能なフレームワークを構築することができる。 本稿では,一般的なディープラーニング登録手法であるVoxelmorphの有効性を示し,それを3次元脳MRIスキャンを含むデータセットを用いて評価する。 以上の結果から, 登録精度が著しく低下することなく, 非陽性ヤコビアンの数が有意に減少し, 登録フィールドがより二相化することが認められた。 私たちのコードはhttps://github.com/soumyadeep-pal/diffeomorphic-image-registration-postprocess.comで利用可能です。

関連論文リスト

• MsMorph: An Unsupervised pyramid learning network for brain image registration [4.000367245594772]
  MsMorphは、イメージペアを登録する手動プロセスの模倣を目的とした、イメージ登録フレームワークである。 異なるスケールで意味情報をデコードし、予測された変形場に対して連続的に合成する。 提案手法は,画像ペアとその近傍の異なる領域に着目し,手動による登録手法をシミュレートする。
  論文  参考訳（メタデータ） (2024-10-23T19:20:57Z)
• Progressive Retinal Image Registration via Global and Local Deformable Transformations [49.032894312826244]
  我々はHybridRetinaと呼ばれるハイブリッド登録フレームワークを提案する。 キーポイント検出器とGAMorphと呼ばれる変形ネットワークを用いて、大域的な変換と局所的な変形可能な変換を推定する。 FIREとFLoRI21という2つの広く使われているデータセットの実験により、提案したHybridRetinaは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-02T08:43:50Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• A Robust and Interpretable Deep Learning Framework for Multi-modal Registration via Keypoints [10.913822141584795]
  ディープラーニングベースの画像登録フレームワークであるKeyMorphを紹介する。 KeyMorphは対応するキーポイントを自動的に検出する。 我々は現在の最先端手法を超越した登録精度を示す。
  論文  参考訳（メタデータ） (2023-04-19T19:35:25Z)
• 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)
• Non-iterative Coarse-to-fine Registration based on Single-pass Deep Cumulative Learning [11.795108660250843]
  変形可能な画像登録のための非Iterative Coarse-to-finE登録ネットワーク(NICE-Net)を提案する。 NICE-Netは、非イテレーティブメソッドと同じようなランタイムしか必要とせず、最先端の反復的な深層登録手法より優れている。
  論文  参考訳（メタデータ） (2022-06-25T08:34:59Z)
• Deformable Image Registration with Deep Network Priors: a Study on Longitudinal PET Images [0.5949967357689445]
  本稿では,Deep Image Priorに触発されて,画像登録問題に取り組むためのレギュレータとして,Deep Architectureの異なる利用法を提案する。 変形場を制約する先行モデルである深層ピラミッド構造に頼って,MIRRBAと呼ばれる対象固有の変形可能な登録手法を提案する。 深層建築の正規化力を実証し,登録のための深層学習手法におけるアーキテクチャの役割を理解するための新しい要素を提示する。
  論文  参考訳（メタデータ） (2021-11-22T10:58:14Z)
• 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。