論文の概要: Deformer: Towards Displacement Field Learning for Unsupervised Medical Image Registration

• arxiv url: http://arxiv.org/abs/2207.03180v1
• Date: Thu, 7 Jul 2022 09:14:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-08 15:04:05.404071
• Title: Deformer: Towards Displacement Field Learning for Unsupervised Medical Image Registration
• Title（参考訳）: deformer: 教師なし医用画像登録のための変位場学習に向けて
• Authors: Jiashun Chen, Donghuan Lu, Yu Zhang, Dong Wei, Munan Ning, Xinyu Shi, Zhe Xu and Yefeng Zheng
• Abstract要約: 本稿では,デフォルマブル画像登録タスクのためのマルチスケールフレームワークとともに,新しいデフォルマモジュールを提案する。 Deformerモジュールは、画像表現から空間変換へのマッピングを容易にするように設計されている。 粗い粒度で変位場を予測するマルチスケールの枠組みにより、優れた性能が得られる。
• 参考スコア（独自算出の注目度）: 28.358693013757865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, deep-learning-based approaches have been widely studied for deformable image registration task. However, most efforts directly map the composite image representation to spatial transformation through the convolutional neural network, ignoring its limited ability to capture spatial correspondence. On the other hand, Transformer can better characterize the spatial relationship with attention mechanism, its long-range dependency may be harmful to the registration task, where voxels with too large distances are unlikely to be corresponding pairs. In this study, we propose a novel Deformer module along with a multi-scale framework for the deformable image registration task. The Deformer module is designed to facilitate the mapping from image representation to spatial transformation by formulating the displacement vector prediction as the weighted summation of several bases. With the multi-scale framework to predict the displacement fields in a coarse-to-fine manner, superior performance can be achieved compared with traditional and learning-based approaches. Comprehensive experiments on two public datasets are conducted to demonstrate the effectiveness of the proposed Deformer module as well as the multi-scale framework.
• Abstract（参考訳）: 近年,変形可能な画像登録タスクに対して,ディープラーニングに基づくアプローチが広く研究されている。 しかし、ほとんどの努力は畳み込みニューラルネットワークを通して合成画像表現を空間変換に直接マッピングし、空間対応をキャプチャする能力の制限を無視している。 一方、トランスフォーマは注意機構との空間的関係をよりよく特徴付けることができ、その長距離依存は登録作業に有害であり、距離が大きすぎるボクセルは対応するペアではあり得ない。 本研究では,変形可能な画像登録タスクのためのマルチスケールフレームワークとともに,新しい変形モジュールを提案する。 Deformerモジュールは、複数の基底の重み付け和として変位ベクトル予測を定式化することにより、画像表現から空間変換へのマッピングを容易にするように設計されている。 粗大な方法で変位場を予測するマルチスケールフレームワークにより,従来の学習手法と比較して優れた性能が得られる。 2つの公開データセットに関する総合的な実験を行い、提案したDeformerモジュールとマルチスケールフレームワークの有効性を実証した。

関連論文リスト

• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• Breaking Modality Disparity: Harmonized Representation for Infrared and Visible Image Registration [66.33746403815283]
  シーン適応型赤外線と可視画像の登録を提案する。 我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。 我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
  論文  参考訳（メタデータ） (2023-04-12T06:49:56Z)
• ContraReg: Contrastive Learning of Multi-modality Unsupervised Deformable Image Registration [8.602552627077056]
  この研究は、マルチモーダル変形可能な登録のための教師なしコントラスト表現学習手法であるContraRegを提示する。 学習したマルチスケールなローカルパッチ機能をドメイン間埋め込み空間に投影することにより、ContraRegは非厳密なマルチモードアライメントに有用な表現を得る。 実験的に、ContraRegは、新生児T1-T2脳MRI登録タスクにおいて、一連のベースラインにわたる滑らかで非可逆的な変形を伴う正確で堅牢な結果を達成する。
  論文  参考訳（メタデータ） (2022-06-27T16:27:53Z)
• Stochastic Planner-Actor-Critic for Unsupervised Deformable Image Registration [33.72954116727303]
  本稿では,大きく変形する医療画像の段階的登録を行う,新しい強化学習ベースのフレームワークを提案する。 本手法は2次元および3次元の医用画像データセットを用いて評価し,その一部は大きな変形を含む。
  論文  参考訳（メタデータ） (2021-12-14T14:08:56Z)
• DiffuseMorph: Unsupervised Deformable Image Registration Along Continuous Trajectory Using Diffusion Models [31.826844124173984]
  DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。 本モデルは,動画像と固定画像の変形のスコア関数を学習する。 本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
  論文  参考訳（メタデータ） (2021-12-09T08:41:23Z)
• 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)
• Unsupervised Multimodal Image Registration with Adaptative Gradient Guidance [23.461130560414805]
  教師なし学習に基づく手法は、変形可能な画像登録における精度と効率よりも有望な性能を示す。 既存の手法の予測変形場は、登録済み画像対に完全に依存する。 両モデルから推定される変形場を利用する新しい多モード登録フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-12T05:47:20Z)
• 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)
• An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
  本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。 本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。 現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-19T06:00:13Z)
• 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。