論文の概要: Voxelmorph++ Going beyond the cranial vault with keypoint supervision
and multi-channel instance optimisation
- arxiv url: http://arxiv.org/abs/2203.00046v1
- Date: Mon, 28 Feb 2022 19:23:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 05:30:26.052284
- Title: Voxelmorph++ Going beyond the cranial vault with keypoint supervision
and multi-channel instance optimisation
- Title（参考訳）: キーポイント監視とマルチチャネルインスタンス最適化を備えたVoxelmorph++がCranial Vaultを超える
- Authors: Mattias P. Heinrich and Lasse Hansen
- Abstract要約: 近年のLearn2Regベンチマークでは,単スケールU-Netアーキテクチャーは腹部または患者内肺登録の最先端性能に劣っている。
本稿では、この精度のギャップを大幅に減らすための2つの簡単な手順を提案する。
まず、離散化されたヒートマップを予測する新しいネットワークヘッドを備えたキーポイント・セルフスーパービジョンを用いる。
次に、複数の学習した微調整ステップを、手作りの機能とAdamオプティマイザでひとつのインスタンスに置き換える。
- 参考スコア（独自算出の注目度）: 8.88841928746097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The majority of current research in deep learning based image registration
addresses inter-patient brain registration with moderate deformation
magnitudes. The recent Learn2Reg medical registration benchmark has
demonstrated that single-scale U-Net architectures, such as VoxelMorph that
directly employ a spatial transformer loss, often do not generalise well beyond
the cranial vault and fall short of state-of-the-art performance for abdominal
or intra-patient lung registration. Here, we propose two straightforward steps
that greatly reduce this gap in accuracy. First, we employ keypoint
self-supervision with a novel network head that predicts a discretised heatmap
and robustly reduces large deformations for better robustness. Second, we
replace multiple learned fine-tuning steps by a single instance optimisation
with hand-crafted features and the Adam optimiser. Different to other related
work, including FlowNet or PDD-Net, our approach does not require a fully
discretised architecture with correlation layer. Our ablation study
demonstrates the importance of keypoints in both self-supervised and
unsupervised (using only a MIND metric) settings. On a multi-centric
inspiration-exhale lung CT dataset, including very challenging COPD scans, our
method outperforms VoxelMorph by improving nonlinear alignment by 77% compared
to 19% - reaching target registration errors of 2 mm that outperform all but
one learning methods published to date. Extending the method to semantic
features sets new stat-of-the-art performance on inter-subject abdominal CT
registration.
- Abstract（参考訳）: 深層学習に基づく画像登録の現在の研究の大部分は、中等度な変形を伴う患者間脳登録に対処している。
最近のlearn2regの医療登録ベンチマークでは、voxelmorphのような空間的トランスフォーマーロスを直接使用する単一スケールのu-netアーキテクチャは、しばしば頭蓋底を超えて一般化せず、腹腔内または患者の肺登録のための最先端のパフォーマンスに不足していることが示されている。
本稿では,この精度の差を大幅に減らすための2つの簡単なステップを提案する。
まず,分散ヒートマップを予測し,ロバスト性を改善するために大きな変形をロバストに低減する,新しいネットワークヘッドを用いたkeypoint self-supervisionを採用する。
第2に、複数の学習された微調整ステップを、手作りの機能とadam optimiserで単一のインスタンス最適化に置き換える。
flownetやpdd-netといった他の関連業務とは異なり、このアプローチでは相関層を持つ完全に離散化されたアーキテクチャは必要としない。
本研究は,自己教師と無監督設定(マインドメトリックのみを用いて)におけるキーポイントの重要性を実証する。
copdスキャンに非常に挑戦的な問題を含む多心型肺ctデータセットでは、非線形アライメントを19%改善することでvoxelmorphを77%上回っています。
このメソッドをセマンティック機能に拡張することで、サブジェクト間腹部ct登録における新たなパフォーマンスが向上する。
関連論文リスト
- Weakly supervised deep learning model with size constraint for prostate cancer detection in multiparametric MRI and generalization to unseen domains [0.90668179713299]
本モデルでは, 完全教師付きベースラインモデルにより, オンパー性能が向上することを示す。
また、未確認データドメインでテストした場合、完全に教師付きモデルと弱い教師付きモデルの両方のパフォーマンス低下も観察する。
論文 参考訳（メタデータ） (2024-11-04T12:24:33Z) - Minimizing Chebyshev Prototype Risk Magically Mitigates the Perils of Overfitting [1.6574413179773757]
クラス内特徴相関を低減し,クラス間特徴距離を最大化する多成分損失関数を開発した。
我々は,Chebyshev Prototype Risk (CPR) という用語を明示的なCPR損失関数に限定して実装する。
トレーニングアルゴリズムは、多くの設定において、以前のアプローチの過度な適合を減らし、改善する。
論文 参考訳（メタデータ） (2024-04-10T15:16:04Z) - Fully Differentiable Correlation-driven 2D/3D Registration for X-ray to CT Image Fusion [3.868072865207522]
画像ベース剛性2D/3Dレジストレーションは, 蛍光ガイド下外科手術において重要な技術である。
デュアルブランチCNN変換器エンコーダを用いた完全微分型相関型ネットワークを提案する。
組込み情報に基づく低周波特徴と高周波特徴の分解に対して相関型損失を提案する。
論文 参考訳（メタデータ） (2024-02-04T14:12:51Z) - PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly
Detection [65.24854366973794]
ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。
本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。
我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
論文 参考訳（メタデータ） (2023-10-18T02:59:57Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - 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) - Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。
我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。
得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文 参考訳（メタデータ） (2022-11-16T21:55:05Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳（メタデータ） (2022-07-01T12:16:42Z) - Learning Multi-Modal Volumetric Prostate Registration with Weak
Inter-Subject Spatial Correspondence [2.6894568533991543]
MRシークエンスにおける前立腺の位置に関する事前情報のための補助入力をニューラルネットワークに導入する。
MR-TRUS前立腺データのラベルが弱いことから,最先端のディープラーニング手法に匹敵する登録品質を示した。
論文 参考訳（メタデータ） (2021-02-09T16:48:59Z) - MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT
Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。
マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。
本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文 参考訳（メタデータ） (2020-05-15T10:37:02Z)
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。