論文の概要: MIRNF: Medical Image Registration via Neural Fields
- arxiv url: http://arxiv.org/abs/2206.03111v1
- Date: Tue, 7 Jun 2022 08:43:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 14:56:50.933609
- Title: MIRNF: Medical Image Registration via Neural Fields
- Title(参考訳): MIRNF: ニューラルネットワークによる医用画像登録
- Authors: Shanlin Sun and Kun Han and Deying Kong and Chenyu You and Xiaohui Xie
- Abstract要約: 我々は,新しいディープニューラルネットベースの画像登録フレームワークtextbfMIRNFを紹介した。
MIRNFは、ニューラルネットワークを介して実装された連続関数との対応マッピングを表す。
我々は2つの3次元MR脳スキャンデータセットの実験を行い、提案するフレームワークが最先端の登録性能を提供することを示した。
- 参考スコア(独自算出の注目度): 19.302770031855097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image registration is widely used in medical image analysis to provide
spatial correspondences between two images. Recently learning-based methods
utilizing convolutional neural networks (CNNs) have been proposed for solving
image registration problems. The learning-based methods tend to be much faster
than traditional optimization-based methods, but the accuracy improvements
gained from the complex CNN-based methods are modest. Here we introduce a new
deep-neural net-based image registration framework, named \textbf{MIRNF}, which
represents the correspondence mapping with a continuous function implemented
via Neural Fields. MIRNF outputs either a deformation vector or velocity vector
given a 3D coordinate as input. To ensure the mapping is diffeomorphic, the
velocity vector output from MIRNF is integrated using the Neural ODE solver to
derive the correspondences between two images. Furthermore, we propose a hybrid
coordinate sampler along with a cascaded architecture to achieve the
high-similarity mapping performance and low-distortion deformation fields. We
conduct experiments on two 3D MR brain scan datasets, showing that our proposed
framework provides state-of-art registration performance while maintaining
comparable optimization time.
- Abstract(参考訳): 画像登録は医療画像解析において、2つの画像間の空間対応を提供するために広く使われている。
近年,画像登録問題に対する畳み込みニューラルネットワーク(CNN)を用いた学習手法が提案されている。
学習に基づく手法は従来の最適化手法よりもはるかに高速であるが、複雑なCNNベースの手法から得られる精度の改善は控えめである。
本稿では,ニューラルフィールドによって実装された連続関数との対応マッピングを表す,新しい深層ニューラルネットベースの画像登録フレームワーク \textbf{mirnf} を紹介する。
MIRNFは、3D座標が与えられた変形ベクトルまたは速度ベクトルを入力として出力する。
写像が微分同相であることを保証するため、MIRNFから出力される速度ベクトルはNeural ODEソルバを用いて統合され、2つの画像間の対応を導出する。
さらに,高相似マッピング性能と低歪変形場を実現するために,カスケードアーキテクチャとともにハイブリッド座標サンプラーを提案する。
2つの3次元mr脳スキャンデータセットについて実験を行い,提案手法が同等の最適化時間を維持しつつ,最先端の登録性能を提供することを示した。
関連論文リスト
- 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) - Image Reconstruction for Accelerated MR Scan with Faster Fourier
Convolutional Neural Networks [87.87578529398019]
部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。
本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。
2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。
k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
論文 参考訳(メタデータ) (2023-06-05T13:53:57Z) - Fast-SNARF: A Fast Deformer for Articulated Neural Fields [92.68788512596254]
本稿では,標準空間とポーズ空間の正確な対応性を求める,ニューラルフィールドのための新しい調音モジュールFast-SNARFを提案する。
Fast-SNARFはこれまでの研究であるSNARFの代替であり、計算効率は大幅に向上した。
変形マップの学習は多くの3次元人間のアバター法において重要な要素であるため、この研究は3次元仮想人間の実現に向けた重要なステップであると考えている。
論文 参考訳(メタデータ) (2022-11-28T17:55:34Z) - 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) - Affine Medical Image Registration with Coarse-to-Fine Vision Transformer [11.4219428942199]
本稿では,3次元医用画像登録のための学習ベースアルゴリズムであるCoarse-to-Fine Vision Transformer (C2FViT)を提案する。
本手法は, 登録精度, 堅牢性, 一般化性の観点から, 既存のCNNベースのアフィン登録法よりも優れている。
論文 参考訳(メタデータ) (2022-03-29T03:18:43Z) - Implicit Optimizer for Diffeomorphic Image Registration [3.1970342304563037]
本稿では,Diffomorphic Image Registration (IDIR) の高速かつ正確なインプシットを提案する。
提案手法を2つの大規模MR脳スキャンデータセットで評価し,提案手法が従来の画像登録手法よりも高速かつ優れた登録結果を提供することを示した。
論文 参考訳(メタデータ) (2022-02-25T05:04:29Z) - 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) - Multi-scale Neural ODEs for 3D Medical Image Registration [7.715565365558909]
医用画像解析において画像登録は重要な役割を担っている。
ラーニング・トゥ・マップのような深層学習手法はより高速であるが、大きな動きを扱うための精度を改善するために反復的あるいは粗大なアプローチが必要である。
本研究では,マルチスケールのニューラルODEモデルを用いて登録を学習することを提案する。
論文 参考訳(メタデータ) (2021-06-16T00:26:53Z) - Learning a Model-Driven Variational Network for Deformable Image
Registration [89.9830129923847]
VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。
登録精度において最先端のディープラーニング手法よりも優れています。
ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
論文 参考訳(メタデータ) (2021-05-25T21:37:37Z) - 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。