論文の概要: Aladdin: Joint Atlas Building and Diffeomorphic Registration Learning
with Pairwise Alignment
- arxiv url: http://arxiv.org/abs/2202.03563v1
- Date: Mon, 7 Feb 2022 23:52:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-09 16:25:01.580158
- Title: Aladdin: Joint Atlas Building and Diffeomorphic Registration Learning
with Pairwise Alignment
- Title（参考訳）: aladdin:ジョイントアトラス構築とペアワイズアライメントによる二相性登録学習
- Authors: Zhipeng Ding and Marc Niethammer
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.338563869053065
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Atlas building and image registration are important tasks for medical image
analysis. Once one or multiple atlases from an image population have been
constructed, commonly (1) images are warped into an atlas space to study
intra-subject or inter-subject variations or (2) a possibly probabilistic atlas
is warped into image space to assign anatomical labels. Atlas estimation and
nonparametric transformations are computationally expensive as they usually
require numerical optimization. Additionally, previous approaches for atlas
building often define similarity measures between a fuzzy atlas and each
individual image, which may cause alignment difficulties because a fuzzy atlas
does not exhibit clear anatomical structures in contrast to the individual
images. This work explores using a convolutional neural network (CNN) to
jointly predict the atlas and a stationary velocity field (SVF)
parameterization for diffeomorphic image registration with respect to the
atlas. Our approach does not require affine pre-registrations and utilizes
pairwise image alignment losses to increase registration accuracy. We evaluate
our model on 3D knee magnetic resonance images (MRI) from the OAI-ZIB dataset.
Our results show that the proposed framework achieves better performance than
other state-of-the-art image registration algorithms, allows for end-to-end
training, and for fast inference at test time.
- Abstract（参考訳）: アトラスの構築と画像登録は医療画像解析において重要な課題である。
画像集団からの1つまたは複数のアトラスが構築されると、(1)イメージはアトラス空間に巻き込まれて、サブジェクト内またはサブジェクト間の変化を研究するか、(2)確率的アトラスを画像空間に巻き込み、解剖学的ラベルを割り当てる。
アトラス推定と非パラメトリック変換は通常数値最適化を必要とするため、計算コストがかかる。
さらに, ファジィアトラスと個々の画像との類似度は, ファジィアトラスが個々の画像に対して明確な解剖学的構造を示さないため, アライメントの困難を生じさせる可能性がある。
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、アトラスと定常速度場(SVF)パラメーター化を共同で予測し、アトラスに関する微分画像登録を行う。
提案手法では,アフィン事前登録は必要とせず,画像アライメント損失を利用して登録精度を向上する。
我々は,OAI-ZIBデータセットを用いた3次元膝関節磁気共鳴画像(MRI)の評価を行った。
提案手法は,他の最先端画像登録アルゴリズムよりも優れた性能を実現し,エンドツーエンドのトレーニング,テスト時の高速推論を実現している。
関連論文リスト
- Symmetrical Bidirectional Knowledge Alignment for Zero-Shot Sketch-Based
Image Retrieval [69.46139774646308]
本稿ではゼロショットスケッチベース画像検索(ZS-SBIR)の問題点について検討する。
目に見えないカテゴリのスケッチをクエリとして使用して、同じカテゴリのイメージにマッチさせることが目的だ。
ゼロショットスケッチに基づく画像検索(SBKA)のための新しい対称双方向知識アライメントを提案する。
論文 参考訳（メタデータ） (2023-12-16T04:50:34Z) - Improving Human-Object Interaction Detection via Virtual Image Learning [68.56682347374422]
人間-物体相互作用(Human-Object Interaction、HOI)は、人間と物体の相互作用を理解することを目的としている。
本稿では,仮想画像学習(Virtual Image Leaning, VIL)による不均衡分布の影響を軽減することを提案する。
ラベルからイメージへの新たなアプローチであるMultiple Steps Image Creation (MUSIC)が提案され、実際の画像と一貫した分布を持つ高品質なデータセットを作成する。
論文 参考訳（メタデータ） (2023-08-04T10:28:48Z) - Neural Congealing: Aligning Images to a Joint Semantic Atlas [14.348512536556413]
画像の集合を横断的に意味的に共通するコンテンツを調整するための,ゼロショットの自己教師型フレームワークを提案する。
提案手法は,DINO-ViTの事前学習能力を利用して学習する。
提案手法は,大規模データセットに対する広範囲なトレーニングを必要とする最先端の手法と比較して,好適に動作することを示す。
論文 参考訳（メタデータ） (2023-02-08T09:26:22Z) - Anatomy-aware and acquisition-agnostic joint registration with SynthMorph [6.017634371712142]
アフィン画像登録は、医用画像解析の基盤となっている。
ディープラーニング(DL)メソッドは、画像対を出力変換にマッピングする関数を学ぶ。
ほとんどのアフィン法は、ユーザが調整したい解剖学に依存しない。つまり、アルゴリズムが画像のすべての構造を考慮すれば、登録は不正確なものになる。
われわれはこれらの欠点をSynthMorphで解決する。これは高速で対称で、微分型で使い易いDLツールで、任意の脳画像の関節アフィン変形性登録を行う。
論文 参考訳（メタデータ） (2023-01-26T18:59:33Z) - Hybrid Atlas Building with Deep Registration Priors [22.744067458133628]
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。
論文 参考訳（メタデータ） (2021-12-13T03:55:27Z) - 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) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳（メタデータ） (2020-07-09T01:39:39Z) - 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) - SynthMorph: learning contrast-invariant registration without acquired
images [8.0963891430422]
画像データを取得せずに画像登録を学習するための戦略を導入する。
この戦略は任意のMRIコントラストの堅牢かつ正確な登録を可能にする。
論文 参考訳（メタデータ） (2020-04-21T20:29:39Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z)
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。