論文の概要: Deep Learning for Medical Image Registration: A Comprehensive Review

• arxiv url: http://arxiv.org/abs/2204.11341v1
• Date: Sun, 24 Apr 2022 19:34:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-27 00:32:01.865931
• Title: Deep Learning for Medical Image Registration: A Comprehensive Review
• Title（参考訳）: 医用画像登録のための深層学習 : 総合的レビュー
• Authors: Subrato Bharati, M. Rubaiyat Hossain Mondal, Prajoy Podder, V. B. Surya Prasath
• Abstract要約: 深層学習(DL)に基づく医用画像登録モデルの開発が急速に進んでいる。 本総説では,X線,CTスキャン,超音波,MRIなどのモノモダルおよびマルチモーダルの登録と関連画像に焦点をあてる。
• 参考スコア（独自算出の注目度）: 1.3190581566723918
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image registration is a critical component in the applications of various medical image analyses. In recent years, there has been a tremendous surge in the development of deep learning (DL)-based medical image registration models. This paper provides a comprehensive review of medical image registration. Firstly, a discussion is provided for supervised registration categories, for example, fully supervised, dual supervised, and weakly supervised registration. Next, similarity-based as well as generative adversarial network (GAN)-based registration are presented as part of unsupervised registration. Deep iterative registration is then described with emphasis on deep similarity-based and reinforcement learning-based registration. Moreover, the application areas of medical image registration are reviewed. This review focuses on monomodal and multimodal registration and associated imaging, for instance, X-ray, CT scan, ultrasound, and MRI. The existing challenges are highlighted in this review, where it is shown that a major challenge is the absence of a training dataset with known transformations. Finally, a discussion is provided on the promising future research areas in the field of DL-based medical image registration.
• Abstract（参考訳）: 画像登録は様々な医用画像解析の応用において重要な要素である。 近年,深層学習(DL)に基づく医用画像登録モデルの開発が急増している。 本稿では,医療画像登録の包括的レビューを行う。 まず, 完全教師登録, 二重監督登録, 弱監督登録など, 監督登録カテゴリについて議論する。 次に、類似度ベースおよび生成逆ネットワーク(gan)ベースの登録を教師なし登録の一部として提示する。 深い反復的な登録は、深い類似性と強化学習に基づく登録に重点を置いて記述される。 また、医療画像登録の申請領域について検討する。 本総説では,X線,CTスキャン,超音波,MRIなどのモノモダルおよびマルチモーダルの登録と関連画像に焦点をあてる。 既存の課題はこのレビューで強調されており、既知の変換を持つトレーニングデータセットがないことが大きな課題であることが示されている。 最後に、DLベースの医用画像登録分野における将来的な研究分野について議論する。

関連論文リスト

• Medical Image Registration and Its Application in Retinal Images: A Review [4.634056717325716]
  本稿では,従来型および深層学習に基づく医用画像登録手法の総合的なレビューを行う。 また、網膜画像登録の現在の課題についても論じ、今後の研究への洞察と展望を提供する。
  論文  参考訳（メタデータ） (2024-03-25T07:35:28Z)
• Co-Learning Semantic-aware Unsupervised Segmentation for Pathological Image Registration [13.551672729289265]
  本稿では,病理画像登録のための新しい教師なしアプローチであるGIRNetを提案する。 病理画像の登録は、完全に教師なしの学習フレームワークで達成される。 以上の結果から,本手法は画像診断に難渋した場合でも,病理像の登録と病変の同定を正確に行うことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-17T07:13:28Z)
• A survey on deep learning in medical image registration: new technologies, uncertainty, evaluation metrics, and beyond [11.011806131158]
  深層学習技術は、過去10年間に医療画像登録の分野を劇的に変えてきた。 本稿では,ディープラーニングによる画像登録の最近の進歩を概観する。 本稿では,これらの技術が医用画像に応用されることを強調し,深層学習による画像登録の今後の展望について論じる。
  論文  参考訳（メタデータ） (2023-07-28T15:22:34Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
  多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。 本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。 入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。 大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
  論文  参考訳（メタデータ） (2022-11-24T23:45:01Z)
• Medical image registration using unsupervised deep neural network: A scoping literature review [0.9527960631238173]
  医学において、画像登録は画像誘導的介入やその他の臨床応用において不可欠である。 ディープニューラルネットワークの実装は、画像登録を少ない時間で高精度に行うなど、いくつかの医療応用の機会を提供する。
  論文  参考訳（メタデータ） (2022-08-03T03:11:34Z)
• A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
  ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。 本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。 本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-07-09T13:35:59Z)
• 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)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
  本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。 本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。 現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-19T06:00:13Z)
• Medical Image Registration Using Deep Neural Networks: A Comprehensive Review [1.2425910171551517]
  ディープニューラルネットワークを用いた医用画像登録に関する最新の文献を紹介する。 レビューは体系的であり、以前この分野で出版されたすべての関連作品を含んでいる。 このレビューは、最先端の文献を調査し、将来的な文献に貢献しようとする、現場で活動している読者の深い理解と洞察を可能にする。
  論文  参考訳（メタデータ） (2020-02-09T17:22:05Z)

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。