論文の概要: Automated Learning for Deformable Medical Image Registration by Jointly
Optimizing Network Architectures and Objective Functions
- arxiv url: http://arxiv.org/abs/2203.06810v4
- Date: Sat, 12 Aug 2023 03:55:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 23:35:06.922055
- Title: Automated Learning for Deformable Medical Image Registration by Jointly
Optimizing Network Architectures and Objective Functions
- Title(参考訳): ネットワークアーキテクチャと目的関数の協調最適化による変形可能な医用画像登録の自動学習
- Authors: Xin Fan, Zi Li, Ziyang Li, Xiaolin Wang, Risheng Liu, Zhongxuan Luo
and Hao Huang
- Abstract要約: 本稿では、アーキテクチャとそれに対応する学習目標の両方を協調的に最適化する自動学習登録アルゴリズム(AutoReg)を提案する。
マルチサイトボリュームデータセットと各種登録タスクについて,画像登録実験を行った。
我々のAutoRegは、与えられたボリュームに対して最適な深層登録ネットワークを自動的に学習し、最先端の性能を達成することができる。
- 参考スコア(独自算出の注目度): 69.6849409155959
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deformable image registration plays a critical role in various tasks of
medical image analysis. A successful registration algorithm, either derived
from conventional energy optimization or deep networks requires tremendous
efforts from computer experts to well design registration energy or to
carefully tune network architectures for the specific type of medical data. To
tackle the aforementioned problems, this paper proposes an automated learning
registration algorithm (AutoReg) that cooperatively optimizes both
architectures and their corresponding training objectives, enabling
non-computer experts, e.g., medical/clinical users, to conveniently find
off-the-shelf registration algorithms for diverse scenarios. Specifically, we
establish a triple-level framework to deduce registration network architectures
and objectives with an auto-searching mechanism and cooperating optimization.
We conduct image registration experiments on multi-site volume datasets and
various registration tasks. Extensive results demonstrate that our AutoReg may
automatically learn an optimal deep registration network for given volumes and
achieve state-of-the-art performance, also significantly improving computation
efficiency than the mainstream UNet architectures (from 0.558 to 0.270 seconds
for a 3D image pair on the same configuration).
- Abstract(参考訳): 変形可能な画像登録は、医用画像解析の様々なタスクにおいて重要な役割を果たす。
従来のエネルギー最適化やディープネットワークから派生した、成功した登録アルゴリズムは、登録エネルギーを適切に設計したり、特定のタイプの医療データに対してネットワークアーキテクチャを慎重に調整するために、コンピュータ専門家の多大な努力を必要とする。
本稿では,これらの課題に対処するために,アーキテクチャとそれに対応するトレーニング目標の両方を協調的に最適化する自動学習登録アルゴリズム(AutoReg)を提案する。
具体的には,登録ネットワークのアーキテクチャと目的を自動検索機構と協調最適化で推定するトリプルレベルフレームワークを構築した。
複数箇所のボリュームデータセットと各種登録タスクで画像登録実験を行う。
我々のAutoRegは、与えられたボリュームに対して最適な深層登録ネットワークを自動的に学習し、最先端の性能を実現し、また、主流のUNetアーキテクチャ(同じ構成で3D画像ペアを0.558秒から0.270秒)よりも計算効率を著しく向上することを示した。
関連論文リスト
- Recurrent Inference Machine for Medical Image Registration [11.351457718409788]
本稿では,リカレント推論画像登録(RIIR)ネットワークと呼ばれる新しい画像登録手法を提案する。
RIIRは、メタラーニングによる登録問題の解法として反復的に定式化される。
実験の結果、RIIRはトレーニングデータの5%しか持たない深層学習法よりも優れていた。
論文 参考訳(メタデータ) (2024-06-19T10:06:35Z) - FireANTs: Adaptive Riemannian Optimization for Multi-Scale Diffeomorphic Registration [20.34181966545357]
Diffomorphic Image Registrationは、画像翻訳、セグメンテーション、アトラスビルディングといった様々な画像モダリティや下流タスクの分析において重要な部分である。
提案するフレームワークは,一貫した性能向上を実現し,既存のアルゴリズムよりも300倍から2000倍の高速化を実現した。
モジュールライブラリの設計は使いやすく、ユーザ定義のコスト関数によるカスタマイズを可能にします。
論文 参考訳(メタデータ) (2024-04-01T17:12:47Z) - HNAS-reg: hierarchical neural architecture search for deformable medical
image registration [0.8249180979158817]
本稿では、変形可能な医用画像登録のための最適なネットワークアーキテクチャを特定するための階層型NASフレームワーク(HNAS-Reg)を提案する。
636T1重み付き磁気共鳴画像(MRI)からなる3つのデータセットに対する実験により,提案手法により,画像登録精度が向上し,モデルサイズが小さくなる深層学習モデルを構築することができることを示した。
論文 参考訳(メタデータ) (2023-08-23T21:47:28Z) - 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) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - 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) - CAR-Net: Unsupervised Co-Attention Guided Registration Network for Joint
Registration and Structure Learning [73.03885837923599]
我々は,新しい深層学習ネットワークCAR-Net(Co-Attention Guided Registration Network)を提案する。
CAR-Netはコアテンションブロックを用いて入力の新しい表現を学習し、固定画像と移動画像の登録を駆動する。
イギリスバイオバンクの心臓磁気共鳴画像データを用いた実験により、CAR-Netは最先端の教師なし登録法よりも高い登録精度とスムーズな変形場が得られることが示された。
論文 参考訳(メタデータ) (2021-06-11T23:25:49Z) - NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。
我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。
既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
論文 参考訳(メタデータ) (2020-08-26T17:59:36Z) - 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。