論文の概要: Multi-Objective Dual Simplex-Mesh Based Deformable Image Registration
for 3D Medical Images -- Proof of Concept
- arxiv url: http://arxiv.org/abs/2202.11001v1
- Date: Tue, 22 Feb 2022 16:07:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 15:48:28.008265
- Title: Multi-Objective Dual Simplex-Mesh Based Deformable Image Registration
for 3D Medical Images -- Proof of Concept
- Title(参考訳): 3次元医用画像に対する多目的2重単純meshに基づく変形可能な画像登録 --概念実証-
- Authors: Georgios Andreadis, Peter A.N. Bosman, Tanja Alderliesten
- Abstract要約: 本研究は,単純なメッシュに基づく3次元デュアルダイナミックグリッド変換モデルを用いて,多目的3次元変形可能な画像登録のための最初の手法を提案する。
概念実証プロトタイプは, 総合的, 臨床的な3D登録問題に対して有望な結果を示した。
- 参考スコア(独自算出の注目度): 0.7734726150561088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliably and physically accurately transferring information between images
through deformable image registration with large anatomical differences is an
open challenge in medical image analysis. Most existing methods have two key
shortcomings: first, they require extensive up-front parameter tuning to each
specific registration problem, and second, they have difficulty capturing large
deformations and content mismatches between images. There have however been
developments that have laid the foundation for potential solutions to both
shortcomings. Towards the first shortcoming, a multi-objective optimization
approach using the Real-Valued Gene-pool Optimal Mixing Evolutionary Algorithm
(RV-GOMEA) has been shown to be capable of producing a diverse set of
registrations for 2D images in one run of the algorithm, representing different
trade-offs between conflicting objectives in the registration problem. This
allows the user to select a registration afterwards and removes the need for
up-front tuning. Towards the second shortcoming, a dual-dynamic grid
transformation model has proven effective at capturing large differences in 2D
images. These two developments have recently been accelerated through GPU
parallelization, delivering large speed-ups. Based on this accelerated version,
it is now possible to extend the approach to 3D images. Concordantly, this work
introduces the first method for multi-objective 3D deformable image
registration, using a 3D dual-dynamic grid transformation model based on
simplex meshes while still supporting the incorporation of annotated guidance
information and multi-resolution schemes. Our proof-of-concept prototype shows
promising results on synthetic and clinical 3D registration problems, forming
the foundation for a new, insightful method that can include bio-mechanical
properties in the registration.
- Abstract(参考訳): 医用画像解析において、変形可能な画像登録による画像間の情報伝達を信頼性・物理的に高精度に行うことが課題である。
既存の手法には2つの欠点がある: 1つは、各特定の登録問題に対する広範囲な事前パラメータチューニングが必要であり、もう1つは、画像間の大きな変形やコンテンツミスマッチを捉えるのが困難である。
しかし、両方の欠点に対する潜在的な解決策の基礎を築いた開発がある。
第1の欠点として、Real-Valued Gene-pool Optimal Mixing Evolutionary Algorithm (RV-GOMEA) を用いた多目的最適化手法が、アルゴリズムの1ランで2次元画像の多様な登録を生成できることが示されている。
これにより、ユーザーはその後に登録を選択し、事前チューニングの必要性を取り除くことができる。
2つ目の欠点として、デュアルダイナミックグリッド変換モデルが2次元画像の大きな違いを捉えるのに有効であることが証明された。
これらの2つの開発はGPU並列化によって加速され、大きなスピードアップを実現している。
この高速化バージョンに基づいて、アプローチを3D画像に拡張できるようになった。
本研究は,多目的3次元変形可能な画像登録のための最初の手法として,単純メッシュに基づく3次元2次元グリッド変換モデルを導入するとともに,アノテーション付き誘導情報とマルチレゾリューションスキームを組み込んだものである。
概念実証プロトタイプは, 合成および臨床の3次元登録問題に対して有望な結果を示し, 生体力学的特性を登録に含む新しい洞察力のある方法の基礎を築いた。
関連論文リスト
- Cross-domain and Cross-dimension Learning for Image-to-Graph
Transformers [50.576354045312115]
直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。
画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。
そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
論文 参考訳(メタデータ) (2024-03-11T10:48:56Z) - MOREA: a GPU-accelerated Evolutionary Algorithm for Multi-Objective
Deformable Registration of 3D Medical Images [0.7734726150561088]
大規模な変形に対処可能な3次元画像の変形可能な登録のための,最初の進化的アルゴリズムに基づくアプローチであるMOREAを提案する。
MOREAには物理可視性のための3Dバイオメカニカルメッシュモデルが含まれており、完全にGPUアクセラレーションされている。
頸部癌4例の腹部CT検査におけるMOREAの有用性について検討した。
論文 参考訳(メタデータ) (2023-03-08T20:26:55Z) - Medical Image Registration via Neural Fields [35.80302878742334]
NIR(Neural Image Registration)と呼ばれる新しいニューラルネットベースの画像登録フレームワークを提案する。
2つの3D MR脳スキャンデータセットの実験により、NIRは登録精度と正規性の両方の観点から最先端のパフォーマンスを得る一方で、従来の最適化ベースの手法よりもはるかに高速に動作していることが示された。
論文 参考訳(メタデータ) (2022-06-07T08:43:31Z) - Pixel2Mesh++: 3D Mesh Generation and Refinement from Multi-View Images [82.32776379815712]
カメラポーズの有無にかかわらず、少数のカラー画像から3次元メッシュ表現における形状生成の問題について検討する。
我々は,グラフ畳み込みネットワークを用いたクロスビュー情報を活用することにより,形状品質をさらに向上する。
我々のモデルは初期メッシュの品質とカメラポーズの誤差に頑健であり、テスト時間最適化のための微分関数と組み合わせることができる。
論文 参考訳(メタデータ) (2022-04-21T03:42:31Z) - LiP-Flow: Learning Inference-time Priors for Codec Avatars via
Normalizing Flows in Latent Space [90.74976459491303]
実行時入力に条件付けされた先行モデルを導入し、この先行空間を潜伏空間の正規化フローを介して3次元顔モデルに結びつける。
正規化フローは2つの表現空間をブリッジし、潜在サンプルをある領域から別の領域に変換することで、潜在可能性の目的を定義する。
提案手法は,表情のダイナミックスや微妙な表現をよりよく捉えることによって,表現的かつ効果的に先行することを示す。
論文 参考訳(メタデータ) (2022-03-15T13:22:57Z) - 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) - Deformable Image Registration using Neural ODEs [15.245085400790002]
ニューラル常微分方程式(NODE)を利用した汎用的で高速かつ高精度な微分型画像登録フレームワークを提案する。
従来の最適化手法と比較して、我々のフレームワークは実行時間を数十分から数十秒に短縮する。
実験の結果, 提案手法の登録結果は, 各種測定値において, 最先端技術よりも優れていた。
論文 参考訳(メタデータ) (2021-08-07T12:54:17Z) - Learning a Model-Driven Variational Network for Deformable Image
Registration [89.9830129923847]
VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。
登録精度において最先端のディープラーニング手法よりも優れています。
ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
論文 参考訳(メタデータ) (2021-05-25T21:37:37Z) - Recurrent Multi-view Alignment Network for Unsupervised Surface
Registration [79.72086524370819]
非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。
我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。
また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
論文 参考訳(メタデータ) (2020-11-24T14:22:42Z) - 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。