論文の概要: Unsupervised Image Registration Towards Enhancing Performance and
Explainability in Cardiac And Brain Image Analysis
- arxiv url: http://arxiv.org/abs/2203.03638v1
- Date: Mon, 7 Mar 2022 12:54:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-09 13:14:08.901080
- Title: Unsupervised Image Registration Towards Enhancing Performance and
Explainability in Cardiac And Brain Image Analysis
- Title（参考訳）: 心・脳画像解析における評価と説明可能性向上に向けた教師なし画像登録
- Authors: Chengjia Wang, Guang Yang, Giorgos Papanastasiou
- Abstract要約: モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。
本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。
本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
- 参考スコア（独自算出の注目度）: 3.5718941645696485
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Magnetic Resonance Imaging (MRI) typically recruits multiple sequences
(defined here as "modalities"). As each modality is designed to offer different
anatomical and functional clinical information, there are evident disparities
in the imaging content across modalities. Inter- and intra-modality affine and
non-rigid image registration is an essential medical image analysis process in
clinical imaging, as for example before imaging biomarkers need to be derived
and clinically evaluated across different MRI modalities, time phases and
slices. Although commonly needed in real clinical scenarios, affine and
non-rigid image registration is not extensively investigated using a single
unsupervised model architecture. In our work, we present an un-supervised deep
learning registration methodology which can accurately model affine and
non-rigid trans-formations, simultaneously. Moreover, inverse-consistency is a
fundamental inter-modality registration property that is not considered in deep
learning registration algorithms. To address inverse-consistency, our
methodology performs bi-directional cross-modality image synthesis to learn
modality-invariant latent rep-resentations, while involves two factorised
transformation networks and an inverse-consistency loss to learn
topology-preserving anatomical transformations. Overall, our model (named
"FIRE") shows improved performances against the reference standard baseline
method on multi-modality brain 2D and 3D MRI and intra-modality cardiac 4D MRI
data experiments.
- Abstract（参考訳）: 磁気共鳴イメージング(MRI)は通常、複数のシーケンスをリクルートする(ここではモダリティと定義する)。
それぞれのモダリティは解剖学的および機能的な臨床情報を提供するように設計されているため、モダリティ間の画像内容に明らかな相違がある。
インターモダリティアフィンおよび非リジッド画像登録は臨床イメージングにおいて必須の医用画像解析プロセスであり、例えば、画像バイオマーカーを異なるmriモダリティ、時間相、スライス間で誘導し、臨床的に評価する必要がある。
実際の臨床シナリオでは一般的に必要とされるが、アフィンおよび非剛体画像登録は、単一の教師なしモデルアーキテクチャを用いて広く研究されていない。
本研究では,アフィンおよび非剛性変換を同時に正確にモデル化できる教師なしディープラーニング登録手法を提案する。
さらに、逆一貫性は、ディープラーニング登録アルゴリズムでは考慮されない基本的なモダリティ間登録特性である。
逆整合性に対処するため,本手法では,2つの因子化変換ネットワークと逆整合損失を伴い,位相保存型解剖学的変換を学習する。
総じて、本モデル(FIRE)は、マルチモーダル脳2Dおよび3D MRIおよびモード内心臓4D MRIデータ実験における基準基準基準法に対する性能改善を示す。
関連論文リスト
- Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。
本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。
臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
論文 参考訳（メタデータ） (2024-09-18T13:40:59Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - Modality-Agnostic Structural Image Representation Learning for Deformable Multi-Modality Medical Image Registration [22.157402663162877]
本稿では,識別的・コントラスト的・非分散的な深部構造画像表現を学習するためのモダリティ非依存的構造表現学習法を提案する。
本手法は,従来の局所的構造表現や統計的類似度尺度よりも識別性と精度の点で優れている。
論文 参考訳（メタデータ） (2024-02-29T08:01:31Z) - fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for
Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。
我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。
コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文 参考訳（メタデータ） (2023-11-01T07:24:22Z) - Explainable unsupervised multi-modal image registration using deep
networks [2.197364252030876]
MRI画像登録は、異なるモダリティ、時間点、スライスから幾何学的に「ペア」診断することを目的としている。
本研究では,我々のDLモデルが完全に説明可能であることを示し,さらなる医用画像データへのアプローチを一般化するための枠組みを構築した。
論文 参考訳（メタデータ） (2023-08-03T19:13:48Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - The Brain Tumor Segmentation (BraTS) Challenge 2023: Brain MR Image Synthesis for Tumor Segmentation (BraSyn) [9.082208613256295]
本稿では,脳MR画像合成ベンチマーク(BraSyn)とMICCAI(Medical Image Computing and Computer-Assisted Intervention)2023を併用して,脳MR画像合成ベンチマーク(BraSyn)の確立について紹介する。
この課題の主な目的は、複数の利用可能な画像が提供される際に、MRIの欠落を現実的に生成できる画像合成手法を評価することである。
論文 参考訳（メタデータ） (2023-05-15T20:49:58Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain
Adaptation [9.659642285903418]
放射線科医の費用負担を軽減するための医用画像のクロスモダリティ合成
本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。
論文 参考訳（メタデータ） (2021-03-05T16:22:31Z) - Robust Image Reconstruction with Misaligned Structural Information [0.27074235008521236]
再建と登録を共同で行う変分フレームワークを提案する。
我々のアプローチは、異なるモダリティに対してこれを最初に達成し、再構築と登録の両方の精度で確立されたアプローチを上回ります。
論文 参考訳（メタデータ） (2020-04-01T17:21:25Z)
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。