論文の概要: GradICON: Approximate Diffeomorphisms via Gradient Inverse Consistency
- arxiv url: http://arxiv.org/abs/2206.05897v1
- Date: Mon, 13 Jun 2022 04:03:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 18:05:31.501242
- Title: GradICON: Approximate Diffeomorphisms via Gradient Inverse Consistency
- Title（参考訳）: GradICON: 勾配逆整合による近似微分同相
- Authors: Lin Tian, Hastings Greer, Fran\c{c}ois-Xavier Vialard, Roland Kwitt,
Ra\'ul San Jos\'e Est\'epar, Marc Niethammer
- Abstract要約: GradICONは、正規化に逆一貫性のみを使用する、教師なしのICONディープラーニング登録アプローチに基づいている。
我々は、簡単な登録定式化を維持しつつ、最先端(SOTA)の精度を達成する。
- 参考スコア（独自算出の注目度）: 19.008720393117162
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Many registration approaches exist with early work focusing on
optimization-based approaches for image pairs. Recent work focuses on deep
registration networks to predict spatial transformations. In both cases,
commonly used non-parametric registration models, which estimate transformation
functions instead of low-dimensional transformation parameters, require
choosing a suitable regularizer (to encourage smooth transformations) and its
parameters. This makes models difficult to tune and restricts deformations to
the deformation space permissible by the chosen regularizer. While
deep-learning models for optical flow exist that do not regularize
transformations and instead entirely rely on the data these might not yield
diffeomorphic transformations which are desirable for medical image
registration. In this work, we therefore develop GradICON building upon the
unsupervised ICON deep-learning registration approach, which only uses
inverse-consistency for regularization. However, in contrast to ICON, we prove
and empirically verify that using a gradient inverse-consistency loss not only
significantly improves convergence, but also results in a similar implicit
regularization of the resulting transformation map. Synthetic experiments and
experiments on magnetic resonance (MR) knee images and computed tomography (CT)
lung images show the excellent performance of GradICON. We achieve
state-of-the-art (SOTA) accuracy while retaining a simple registration
formulation, which is practically important.
- Abstract（参考訳）: 多くの登録手法があり、初期の研究は画像ペアの最適化に基づくアプローチに重点を置いている。
最近の研究は、空間変換を予測するための深層登録ネットワークに焦点を当てている。
どちらの場合でも、低次元変換パラメータの代わりに変換関数を推定する非パラメトリック登録モデルは、(滑らかな変換を促進するために)適切な正規化子とそのパラメータを選択する必要がある。
これによりモデルはチューニングが難しくなり、選択された正規化器によって許容される変形空間に変形を制限できる。
光学フローのためのディープラーニングモデルは変換を規則化せず、代わりにデータに完全に依存するが、医療画像登録に望ましい二相変換は生じないかもしれない。
そこで本研究では,正規化に逆一貫性のみを使用する非教師付きアイコン型ディープラーニング登録手法に基づくgradiconビルディングを開発した。
しかし、ICONとは対照的に、勾配の逆一貫性損失を用いることで収束が著しく向上するだけでなく、結果の変換写像の暗黙的な正則化がもたらされることを実証し実証的に検証する。
磁気共鳴(MR)膝画像とCT(CT)肺画像の合成実験と実験により,GradICONの優れた性能が示された。
我々は、簡単な登録定式化を維持しつつ、最先端(SOTA)の精度を達成する。
関連論文リスト
- MsMorph: An Unsupervised pyramid learning network for brain image registration [4.000367245594772]
MsMorphは、イメージペアを登録する手動プロセスの模倣を目的とした、イメージ登録フレームワークである。
異なるスケールで意味情報をデコードし、予測された変形場に対して連続的に合成する。
提案手法は,画像ペアとその近傍の異なる領域に着目し,手動による登録手法をシミュレートする。
論文 参考訳（メタデータ） (2024-10-23T19:20:57Z) - SITReg: Multi-resolution architecture for symmetric, inverse consistent, and topology preserving image registration [6.432072145009342]
マルチレゾリューション特徴表現の抽出に基づく新しいディープラーニング登録アーキテクチャを提案する。
提案手法は,3つのデータセットに対して,最先端の登録精度を実現する。
論文 参考訳（メタデータ） (2023-03-17T19:00:24Z) - Robust One-shot Segmentation of Brain Tissues via Image-aligned Style
Transformation [13.430851964063534]
本稿では,脳組織のワンショットセグメンテーションのための2モデル反復学習を強化するために,新しい画像整列型変換を提案する。
2つの公開データセットによる実験結果から,1)完全教師付き手法と比較して,提案手法の競合セグメンテーション性能が向上し,2)Diceの平均値が4.67%向上した他の最先端技術よりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-11-26T09:14:01Z) - Smooth image-to-image translations with latent space interpolations [64.8170758294427]
マルチドメインイメージ・トゥ・イメージ(I2I)変換は、ターゲットドメインのスタイルに応じてソースイメージを変換することができる。
我々の正規化技術は、最先端のI2I翻訳を大きなマージンで改善できることを示す。
論文 参考訳（メタデータ） (2022-10-03T11:57:30Z) - A training-free recursive multiresolution framework for diffeomorphic
deformable image registration [6.929709872589039]
変形可能な画像登録のための新しい微分型学習自由アプローチを提案する。
提案するアーキテクチャは設計上は単純で,各解像度で移動像を順次ワープし,最終的に固定像に整列する。
システム全体はエンドツーエンドで、スクラッチから各2つのイメージに最適化されている。
論文 参考訳（メタデータ） (2022-02-01T15:17:17Z) - Dual-Flow Transformation Network for Deformable Image Registration with
Region Consistency Constraint [95.30864269428808]
現在のディープラーニング(DL)ベースの画像登録アプローチは、畳み込みニューラルネットワークを利用して、ある画像から別の画像への空間変換を学習する。
一対のイメージ内のROIの類似性を最大化する領域整合性制約を持つ新しいデュアルフロー変換ネットワークを提案する。
4つの公開3次元MRIデータセットを用いた実験により,提案手法は精度と一般化において最高の登録性能が得られることを示した。
論文 参考訳（メタデータ） (2021-12-04T05:30:44Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Seed the Views: Hierarchical Semantic Alignment for Contrastive
Representation Learning [116.91819311885166]
一つの画像から生成されたビューをtextbfCross-samples や Multi-level representation に拡張することで,階層的なセマンティックアライメント戦略を提案する。
提案手法はCsMlと呼ばれ,サンプル間の多層視覚表現を堅牢な方法で統合する機能を備えている。
論文 参考訳（メタデータ） (2020-12-04T17:26:24Z) - FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning [64.32306537419498]
本稿では,複雑な変換を多様に生成する特徴量に基づく改良・拡張手法を提案する。
これらの変換は、クラスタリングを通じて抽出したクラス内およびクラス間の両方の情報も利用します。
提案手法は,大規模データセットにスケールアップしながら,より小さなデータセットに対して,現在の最先端技術に匹敵するものであることを実証する。
論文 参考訳（メタデータ） (2020-07-16T17:55:31Z) - Image-to-image Mapping with Many Domains by Sparse Attribute Transfer [71.28847881318013]
教師なし画像と画像の変換は、2つの領域間の一対のマッピングを、ポイント間の既知のペアワイズ対応なしで学習することで構成される。
現在の慣例は、サイクル一貫性のあるGANでこのタスクにアプローチすることです。
そこで本研究では,ジェネレータを直接,潜在層における単純なスパース変換に制限する代替手法を提案する。
論文 参考訳（メタデータ） (2020-06-23T19:52:23Z) - Fast Symmetric Diffeomorphic Image Registration with Convolutional
Neural Networks [11.4219428942199]
本稿では,新しい非教師付き対称画像登録手法を提案する。
大規模脳画像データセットを用いた3次元画像登録法について検討した。
論文 参考訳（メタデータ） (2020-03-20T22:07:24Z)
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。