論文の概要: $\texttt{GradICON}$: Approximate Diffeomorphisms via Gradient Inverse
Consistency
- arxiv url: http://arxiv.org/abs/2206.05897v3
- Date: Tue, 4 Apr 2023 05:44:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 19:14:57.126429
- Title: $\texttt{GradICON}$: Approximate Diffeomorphisms via Gradient Inverse
Consistency
- Title（参考訳）: $\texttt{GradICON}$: 勾配逆一貫性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, Richard Jarrett Rushmore, Nikolaos Makris,
Sylvain Bouix, Marc Niethammer
- Abstract要約: ニューラルネットワークを用いて、ソースとターゲットイメージ間のマップと、ソースとターゲットイメージを切り替える際のマップを予測します。
我々は,様々な実世界の医療画像データセットに対して,最先端の登録性能を実現する。
- 参考スコア（独自算出の注目度）: 16.72466200341455
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present an approach to learning regular spatial transformations between
image pairs in the context of medical image registration. Contrary to
optimization-based registration techniques and many modern learning-based
methods, we do not directly penalize transformation irregularities but instead
promote transformation regularity via an inverse consistency penalty. We use a
neural network to predict a map between a source and a target image as well as
the map when swapping the source and target images. Different from existing
approaches, we compose these two resulting maps and regularize deviations of
the $\bf{Jacobian}$ of this composition from the identity matrix. This
regularizer -- $\texttt{GradICON}$ -- results in much better convergence when
training registration models compared to promoting inverse consistency of the
composition of maps directly while retaining the desirable implicit
regularization effects of the latter. We achieve state-of-the-art registration
performance on a variety of real-world medical image datasets using a single
set of hyperparameters and a single non-dataset-specific training protocol.
- Abstract（参考訳）: 医用画像登録の文脈において,画像ペア間の空間変換を定常的に学習するためのアプローチを提案する。
最適化に基づく登録手法や多くの現代的な学習手法とは対照的に、変換の不規則性を直接罰するのではなく、逆整合性ペナルティによって変換規則性を促進する。
ニューラルネットワークを用いて、ソースとターゲットイメージの交換時に、ソースとターゲットイメージの間のマップ、およびマップを予測する。
既存のアプローチと異なり、これらの2つの結果の写像を構成し、恒等行列からこの合成の$\bf{Jacobian}$の偏差を正則化する。
この正規化 -- $\texttt{GradICON}$ -- は、事前の暗黙的な正規化効果を維持しながら、直接写像の構成の逆整合を促進するよりも、トレーニング登録モデルにおいてはるかによく収束する。
ハイパーパラメータのセットと非データセット固有のトレーニングプロトコルを使って、様々な現実世界の医用画像データセットで最先端の登録性能を実現する。
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 [7.5986411724707095]
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,2つのデータセットに対する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。