論文の概要: Recurrent Image Registration using Mutual Attention based Network

• arxiv url: http://arxiv.org/abs/2206.01863v1
• Date: Sat, 4 Jun 2022 00:35:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 16:25:33.360043
• Title: Recurrent Image Registration using Mutual Attention based Network
• Title（参考訳）: 相互注意型ネットワークを用いたリカレント画像登録
• Authors: Jian-Qing Zheng, Ziyang Wang, Baoru Huang, Ngee Han Lim, Tonia Vincent, Bartlomiej W. Papiez
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.962754216042411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image registration is an important task in medical imaging which estimates the spatial transformation between different images. Many previous studies have used learning-based methods for multi-stage registration to perform 3D image registration to improve performance. The performance of the multi-stage approach, however, is limited by the size of the receptive field where complex motion does not occur at a single spatial scale. We propose a new registration network combining recursive network architecture and mutual attention mechanism to overcome these limitations. Compared with the previous deep learning methods, our network based on the recursive structure achieves the highest accuracy in lung Computed Tomography (CT) data set (Dice score of 92\% and average surface distance of 3.8mm for lungs) and one of the most accurate results in abdominal CT data set with 9 organs of various sizes (Dice score of 55\% and average surface distance of 7.8mm). We also showed that adding 3 recursive networks is sufficient to achieve the state-of-the-art results without a significant increase in the inference time.
• Abstract（参考訳）: 画像登録は、異なる画像間の空間的変換を推定する医療画像の重要課題である。 これまで多くの研究は、多段階の登録に学習に基づく方法を使って3d画像の登録を行い、パフォーマンスを向上させてきた。 しかし、多段階アプローチの性能は、複雑な動きが1つの空間スケールで起こらない受容場の大きさによって制限される。 これらの制約を克服するために,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。 従来の深層学習法と比較して, 再帰的構造に基づくネットワークは, 肺CT(CT)データセットにおいて, 92\%, 平均表面距離3.8mm) において高い精度を達成し, 様々な大きさの9臓器 (55\%, 平均表面距離7.8mm) の腹部CTデータセットにおいて最も正確な結果の1つである。 また,3つの再帰的ネットワークを加えることで,推定時間を大幅に増加させることなく,最先端の結果が得られることを示した。

関連論文リスト

• Framework for lung CT image segmentation based on UNet++ [0.4915744683251151]
  先進的なUNet++モデルをマージする新しいプロセス網を提案する。 多様な手法を取り入れることで、トレーニング結果は類似の作業に対して大きな優位性を示す。 肺スライスCT像を最初に対象としたネットワークとして,我々のネットワークは注目に値する。
  論文  参考訳（メタデータ） (2025-01-05T03:23:39Z)
• 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)
• Scale-MAE: A Scale-Aware Masked Autoencoder for Multiscale Geospatial Representation Learning [55.762840052788945]
  本研究では,異なるスケールでデータ間の関係を明示的に学習する事前学習手法であるScale-MAEを提案する。 その結果,低周波画像と高周波画像の両方を再構成することで,リモートセンシング画像のマルチスケール表現が堅牢になることがわかった。
  論文  参考訳（メタデータ） (2022-12-30T03:15:34Z)
• 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)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• 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)
• Residual Aligner Network [8.542808644281433]
  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。
  論文  参考訳（メタデータ） (2022-03-07T22:48:43Z)
• 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)
• 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)

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。