Fugu-MT 論文翻訳(概要): LiftReg: Limited Angle 2D/3D Deformable Registration

論文の概要: LiftReg: Limited Angle 2D/3D Deformable Registration

arxiv url: http://arxiv.org/abs/2203.05565v1
Date: Thu, 10 Mar 2022 00:32:45 GMT
ステータス: 処理完了
システム内更新日: 2022-03-14 13:53:22.164366
Title: LiftReg: Limited Angle 2D/3D Deformable Registration
Title（参考訳）: LiftReg: 限定アングル2D/3Dデフォルマブル登録
Authors: Lin Tian, Yueh Z. Lee, Ra\'ul San Jos\'e Est\'epar, Marc Niethammer
Abstract要約: 2D/3Dデフォルマブル登録方式であるLiftRegを提案する。デジタル再構成ラジオグラフィ(DRR)とCT画像ペアを用いて訓練する。シミュレーショントレーニングデータを使用することで、LiftRegは高品質なCT-CT画像類似度測定を使用することができる。
参考スコア（独自算出の注目度）: 19.12088133321274
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We propose LiftReg, a 2D/3D deformable registration approach. LiftReg is a deep registration framework which is trained using sets of digitally reconstructed radiographs (DRR) and computed tomography (CT) image pairs. By using simulated training data, LiftReg can use a high-quality CT-CT image similarity measure, which helps the network to learn a high-quality deformation space. To further improve registration quality and to address the inherent depth ambiguities of very limited angle acquisitions, we propose to use features extracted from the backprojected 2D images and a statistical deformation model. We test our approach on the DirLab lung registration dataset and show that it outperforms an existing learning-based pairwise registration approach.
Abstract（参考訳）: 2d/3d変形可能な登録アプローチであるliftregを提案する。 LiftRegは、デジタル再構成されたラジオグラフ(DRR)とCT(Computerd tomography)イメージペアのセットを使用してトレーニングされる、深い登録フレームワークである。シミュレーションされたトレーニングデータを使用することで、liftregは高品質のct-ct画像類似度測定を行うことができる。登録品質をさらに向上させ,非常に限られた角度取得の固有深度あいまいさに対処するために,バックプロジェクションされた2D画像から抽出した特徴と統計的変形モデルを提案する。このアプローチをdirlabの肺登録データセットでテストし,既存の学習に基づくペアワイズ登録アプローチよりも優れていることを示す。

関連論文リスト

SelfDRSC++: Self-Supervised Learning for Dual Reversed Rolling Shutter Correction [72.05587640928879]
二重反転RS歪み補正(SelfDRSC++)のための自己教師付き学習フレームワークを提案する。双方向相関マッチングブロックを組み込んだ軽量DRSCネットワークを導入し,光学流の結合最適化とRS特性の補正を行う。 DRSCネットワークを効果的に訓練するために、入力と再構成された二重逆RS画像間のサイクル整合性を保証する自己教師付き学習戦略を提案する。
論文参考訳（メタデータ） (2024-08-21T08:17:22Z)
One registration is worth two segmentations [12.163299991979574]
画像登録の目的は、2つ以上の画像間の空間的対応を確立することである。そこで我々は,より直感的な対応表現として,対応する関心領域(ROI)ペアの集合を提案する。提案したSAMRegは複数のROIペアのセグメンテーションとマッチングが可能であることを示す。
論文参考訳（メタデータ） (2024-05-17T16:14:32Z)
Registering Neural Radiance Fields as 3D Density Images [55.64859832225061]
我々は,様々な場面でトレーニングやテストが可能な,普遍的な事前学習型ニューラルネットワークを提案する。我々は,グローバルアプローチとして,NeRFモデルを効果的に登録できることを実証した。
論文参考訳（メタデータ） (2023-05-22T09:08:46Z)
Robust Multiview Point Cloud Registration with Reliable Pose Graph Initialization and History Reweighting [63.95845583460312]
本稿では,ポイントクラウドのマルチビュー登録のための新しい手法を提案する。提案手法は,3DMatchデータセットの登録リコール率を11%,ScanNetデータセットの登録エラー率を13%向上させる。
論文参考訳（メタデータ） (2023-04-02T06:43:40Z)
Learning 3D Representations from 2D Pre-trained Models via Image-to-Point Masked Autoencoders [52.91248611338202]
I2P-MAEという名前のイメージ・ツー・ポイント・マスケッド・オートエンコーダを用いて,2次元事前学習モデルから優れた3次元表現を得る方法を提案する。自己教師付き事前学習により、よく学習された2D知識を利用して、3Dマスクによる自動エンコーディングをガイドする。 I2P-MAEは最先端の90.11%の精度、+3.68%の精度で第2ベストに到達し、より優れた転送能力を示す。
論文参考訳（メタデータ） (2022-12-13T17:59:20Z)
Non-iterative Coarse-to-fine Registration based on Single-pass Deep Cumulative Learning [11.795108660250843]
変形可能な画像登録のための非Iterative Coarse-to-finE登録ネットワーク(NICE-Net)を提案する。 NICE-Netは、非イテレーティブメソッドと同じようなランタイムしか必要とせず、最先端の反復的な深層登録手法より優れている。
論文参考訳（メタデータ） (2022-06-25T08:34:59Z)
A Learning Framework for Diffeomorphic Image Registration based on Quasi-conformal Geometry [1.2891210250935146]
本稿では,非教師付き学習フレームワークである準コンフォーマル登録ネットワーク(QCRegNet)を提案する。 QCRegNetは推定器ネットワークとベルトラミソルバネットワーク(BSNet)から構成されるその結果、登録精度は最先端の手法に匹敵し、微分同相性はかなり保証されていることがわかった。
論文参考訳（メタデータ） (2021-10-20T14:23:24Z)
Shape My Face: Registering 3D Face Scans by Surface-to-Surface Translation [75.59415852802958]
Shape-My-Face (SMF) は、改良されたポイントクラウドエンコーダ、新しい視覚的注意機構、スキップ接続付きグラフ畳み込みデコーダ、特殊口モデルに基づく強力なエンコーダデコーダアーキテクチャである。私たちのモデルは、トポロジカルにサウンドメッシュを最小限の監視で提供し、より高速なトレーニング時間を提供し、訓練可能なパラメータを桁違いに減らし、ノイズに強く、以前は見られないデータセットに一般化することができます。
論文参考訳（メタデータ） (2020-12-16T20:02:36Z)
3D deformable registration of longitudinal abdominopelvic CT images using unsupervised deep learning [1.1994327533877143]
本研究では,非教師付きディープラーニングフレームワークであるVoxelMorphを用いて,縦型腹部CT画像の変形性登録を行う。 CT画像は、CTテーブルと他のすべての体外成分を自動的に除去することにより、登録前に精査された。連続したCT画像の模擬変形に基づく新しい漸進的トレーニング戦略を提案する。
論文参考訳（メタデータ） (2020-05-15T13:49:13Z)
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)
DeepFLASH: An Efficient Network for Learning-based Medical Image Registration [8.781861951759948]
DeepFLASHは、学習に基づく医用画像登録のための効率的なトレーニングと推論を行う新しいネットワークである。我々は2次元合成データと3次元実脳磁気共鳴(MR)画像の2つの異なる画像登録法でアルゴリズムを実証した。
論文参考訳（メタデータ） (2020-04-05T05:17:07Z)

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。