論文の概要: Residual Aligner Network

• arxiv url: http://arxiv.org/abs/2203.04290v1
• Date: Mon, 7 Mar 2022 22:48:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 16:15:29.523367
• Title: Residual Aligner Network
• Title（参考訳）: 残留ライナーネットワーク
• Authors: Jian-Qing Zheng, Ziyang Wang, Baoru Huang, Ngee Han Lim, Bartlomiej W. Papiez
• Abstract要約: Motion-Aware (MA) 構造は、ある領域で異なる動きをキャプチャする。 新しいネットワークは、最上位のネットワークと区別できない結果を得る。
• 参考スコア（独自算出の注目度）: 8.542808644281433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image registration is important for medical imaging, the estimation of the spatial transformation between different images. Many previous studies have used learning-based methods for coarse-to-fine registration to efficiently perform 3D image registration. The coarse-to-fine approach, however, is limited when dealing with the different motions of nearby objects. Here we propose a novel Motion-Aware (MA) structure that captures the different motions in a region. The MA structure incorporates a novel Residual Aligner (RA) module which predicts the multi-head displacement field used to disentangle the different motions of multiple neighbouring objects. Compared with other deep learning methods, the network based on the MA structure and RA module achieve one of the most accurate unsupervised inter-subject registration on the 9 organs of assorted sizes in abdominal CT scans, with the highest-ranked registration of the veins (Dice Similarity Coefficient / Average surface distance: 62\%/4.9mm for the vena cava and 34\%/7.9mm for the portal and splenic vein), with a half-sized structure and more efficient computation. Applied to the segmentation of lungs in chest CT scans, the new network achieves results which were indistinguishable from the best-ranked networks (94\%/3.0mm). Additionally, the theorem on predicted motion pattern and the design of MA structure are validated by further analysis.
• Abstract（参考訳）: 画像登録は、異なる画像間の空間変換を推定する医療画像にとって重要である。 これまで多くの研究は、3d画像の登録を効率的に行うために、粗細な登録のための学習ベースの手法を用いてきた。 しかし、粗く細かいアプローチは、近くの物体の異なる動きを扱う場合に限られる。 本稿では,領域内の異なる動きをキャプチャする新しい動き認識(ma)構造を提案する。 MA構造にはResidual Aligner (RA) モジュールが組み込まれており、複数の隣接する物体の異なる動きを歪めるために使用される多頭部変位場を予測する。 他の深層学習法と比較すると、MA構造とRAモジュールに基づくネットワークは、腹部CTスキャンにおける9つの臓器の分類された大きさの最も正確な対象間登録の1つを達成し、静脈の最高位 (Dice similarity Coefficient / Average surface distance:62\%/4.9mm、門脈および脾静脈34\%/7.9mm) が得られた。 胸部CTにおける肺のセグメンテーションに応用した新しいネットワークは、最良のネットワーク(94\%/3.0mm)と区別できない結果が得られる。 さらに, 予測運動パターンに関する定理とma構造の設計を, さらなる解析により検証する。

関連論文リスト

• SAME++: A Self-supervised Anatomical eMbeddings Enhanced medical image registration framework using stable sampling and regularized transformation [19.683682147655496]
  本研究では,自己監督型解剖学的eMbeddingアルゴリズムを用いて,非教師付き3次元医用画像登録のための高速かつ高精度な手法を提案する。 我々は、画像登録をアフィン変換、粗い変形、深度非パラメトリック変換、インスタンス最適化の4つのステップに分割するアプローチSAM-Enhanced registration (SAME++) を命名した。 完全な登録フレームワークとして、Mate++はDiceスコアの点で、リードメソッドの4.2%$ - 8.2%$を著しく上回っている。
  論文  参考訳（メタデータ） (2023-11-25T10:11:04Z)
• 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)
• ACSGRegNet: A Deep Learning-based Framework for Unsupervised Joint Affine and Diffeomorphic Registration of Lumbar Spine CT via Cross- and Self-Attention Fusion [4.068962439293273]
  本研究では,医用画像登録のためのエンドツーエンドの深層学習フレームワークを提案する。 ACSGRegNetは、画像間特徴対応を確立するクロスアテンションモジュールと、画像内解剖学的構造を認識する自己アテンションモジュールを統合する。 我々の手法は平均Dice 0.963 と平均距離誤差 0.321mm を達成し,SOTA (State-of-the-art) よりも優れている。
  論文  参考訳（メタデータ） (2022-08-04T13:13:48Z)
• Recurrent Image Registration using Mutual Attention based Network [7.962754216042411]
  本稿では,再帰的ネットワークアーキテクチャと相互注意機構を組み合わせた新たな登録ネットワークを提案する。 本ネットワークは肺CT(CT)データセットにおいて最も精度が高く,腹部CTでは様々な大きさの9臓器で最も正確な結果の1つである。
  論文  参考訳（メタデータ） (2022-06-04T00:35:14Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)
• F3RNet: Full-Resolution Residual Registration Network for Deformable Image Registration [21.99118499516863]
  変形性画像登録(DIR)は多くの画像誘導療法に必須である。 我々は、新しい教師なし登録ネットワーク、すなわちF3RNet(Full-Resolution Residual Registration Network)を提案する。 1つのストリームは、正確なボクセルレベルの登録を容易にするフルレゾリューション情報を利用する。 他方のストリームは、深いマルチスケールの残差表現を学習し、ロバストな認識を得る。
  論文  参考訳（メタデータ） (2020-09-15T15:05:54Z)
• DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
  我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。 我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。 定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
  論文  参考訳（メタデータ） (2020-03-15T08:13:16Z)

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。