論文の概要: SVoRT: Iterative Transformer for Slice-to-Volume Registration in Fetal Brain MRI

• arxiv url: http://arxiv.org/abs/2206.10802v1
• Date: Wed, 22 Jun 2022 01:55:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-23 16:21:13.590261
• Title: SVoRT: Iterative Transformer for Slice-to-Volume Registration in Fetal Brain MRI
• Title（参考訳）: SVoRT : 胎児脳MRIにおけるスライス・ツー・ボリューム登録のための反復変換器
• Authors: Junshen Xu, Daniel Moyer, P. Ellen Grant, Polina Golland, Juan Eugenio Iglesias, Elfar Adalsteinsson
• Abstract要約: 合成変換データに基づいて学習したトランスフォーマーを用いた新しいスライス・ツー・ボリューム登録法を提案する。 本モデルでは,スライス間の関係を自動的に検出し,他のスライス情報を用いてスライス間の変換を予測する。 また, 重度胎児運動下での3次元再構成の精度向上のためのモデルの有効性を示すために, 実世界のMRIデータを用いた実験を行った。
• 参考スコア（独自算出の注目度）: 5.023544755441559
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Volumetric reconstruction of fetal brains from multiple stacks of MR slices, acquired in the presence of almost unpredictable and often severe subject motion, is a challenging task that is highly sensitive to the initialization of slice-to-volume transformations. We propose a novel slice-to-volume registration method using Transformers trained on synthetically transformed data, which model multiple stacks of MR slices as a sequence. With the attention mechanism, our model automatically detects the relevance between slices and predicts the transformation of one slice using information from other slices. We also estimate the underlying 3D volume to assist slice-to-volume registration and update the volume and transformations alternately to improve accuracy. Results on synthetic data show that our method achieves lower registration error and better reconstruction quality compared with existing state-of-the-art methods. Experiments with real-world MRI data are also performed to demonstrate the ability of the proposed model to improve the quality of 3D reconstruction under severe fetal motion.
• Abstract（参考訳）: 複数のMRスライスから胎児の脳の容積再構成は、ほぼ予測不可能で、しばしば重篤な被写体運動の存在下で得られたものであり、スライス・ツー・ボリューム変換の初期化に非常に敏感な課題である。 本稿では,MRスライスの複数スタックをシーケンスとしてモデル化した,合成変換データに基づくトランスフォーマーを用いた新しいスライス・ツー・ボリューム登録手法を提案する。 注意機構を用いてスライス間の関係を自動的に検出し,他のスライス情報を用いてスライス間の変換を予測する。 また、3dボリュームを推定し、スライスからボリュームへの登録を支援し、ボリュームと変換を交互に更新し、精度を向上させる。 その結果,本手法は既存手法と比較して登録誤差が低く,復元品質も良好であることが判明した。 また, 重度胎児運動下での3次元再構成の精度向上のためのモデルの有効性を示すために, 実世界のMRIデータを用いた実験を行った。

関連論文リスト

• Efficient Slice Anomaly Detection Network for 3D Brain MRI Volume [2.3633885460047765]
  現在の異常検出法は, 基準産業データより優れているが, 「正常」 と「異常」の定義の相違により, 医療データに苦慮している。 我々は,ImageNet上で事前学習し,MRIデータセットを2次元スライス特徴抽出器として微調整したモデルを用いたSimple Slice-based Network (SimpleSliceNet) というフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-28T17:20:56Z)
• StoDIP: Efficient 3D MRF image reconstruction with deep image priors and stochastic iterations [3.4453266252081645]
  StoDIPは, 3次元MRFイメージングに基いて, 地上構造のないDeep Image Prior (DIP) 再構成を拡張した新しいアルゴリズムである。 健康なボランティアの脳全体をスキャンしたデータセットで、StoDIPは、質的にも質的にも、地道な再建ベースラインよりも優れたパフォーマンスを示した。
  論文  参考訳（メタデータ） (2024-08-05T10:32:06Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Multiscale Metamorphic VAE for 3D Brain MRI Synthesis [5.060516201839319]
  3次元脳MRIの創発的モデリングは、データ分布の十分なカバレッジを確保しつつ、高い視覚的忠実度を達成することの難しさを示す。 本研究では, この課題に対して, 可変オートエンコーダフレームワークにおける構成可能なマルチスケール形態素変換を用いて対処することを提案する。 VAEやGAN(Generative Adversarial Network)をベースとした先行作業と比較して,FIDの性能は,同等あるいは優れた再現品質を維持しつつ,大幅に向上した。
  論文  参考訳（メタデータ） (2023-01-09T09:15:30Z)
• View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
  より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。 まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。 第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。 第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
  論文  参考訳（メタデータ） (2022-09-20T11:58:23Z)
• 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)
• REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
  REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。 高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
  論文  参考訳（メタデータ） (2022-08-17T03:42:19Z)
• AFFIRM: Affinity Fusion-based Framework for Iteratively Random Motion correction of multi-slice fetal brain MRI [8.087220876070477]
  Affinity Fusion-based Framework for Iteratively Random Motion correct of the multi-slice fetal brain MRI。 複数のスライスからシーケンシャルな動きを学習し、親和性融合を用いて2次元スライスと再構成された3次元ボリュームの特徴を統合する。 この方法は、脳の向きに関係なく正確に動きを推定し、シミュレートされた動き破壊データに対して、他の最先端の学習法より優れる。
  論文  参考訳（メタデータ） (2022-05-12T02:54:55Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)
• Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
  本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。 また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
  論文  参考訳（メタデータ） (2020-07-09T13:23:15Z)

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。