論文の概要: Cross-Modality Image Registration using a Training-Time Privileged Third
Modality
- arxiv url: http://arxiv.org/abs/2207.12901v1
- Date: Tue, 26 Jul 2022 13:50:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-27 13:17:11.465203
- Title: Cross-Modality Image Registration using a Training-Time Privileged Third
Modality
- Title（参考訳）: 訓練時間3次モードを用いた画像のクロスモーダル登録
- Authors: Qianye Yang, David Atkinson, Yunguan Fu, Tom Syer, Wen Yan, Shonit
Punwani, Matthew J. Clarkson, Dean C. Barratt, Tom Vercauteren, Yipeng Hu
- Abstract要約: 本稿では,マルチモーダリティ登録問題を支援するために,特権モーダリティアルゴリズムからの学習を提案する。
前立腺癌356例の369セットの3D Multiparametric MRI画像を用いて実験を行った。
- 参考スコア（独自算出の注目度）: 5.78335050301421
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we consider the task of pairwise cross-modality image
registration, which may benefit from exploiting additional images available
only at training time from an additional modality that is different to those
being registered. As an example, we focus on aligning intra-subject
multiparametric Magnetic Resonance (mpMR) images, between T2-weighted (T2w)
scans and diffusion-weighted scans with high b-value (DWI$_{high-b}$). For the
application of localising tumours in mpMR images, diffusion scans with zero
b-value (DWI$_{b=0}$) are considered easier to register to T2w due to the
availability of corresponding features. We propose a learning from privileged
modality algorithm, using a training-only imaging modality DWI$_{b=0}$, to
support the challenging multi-modality registration problems. We present
experimental results based on 369 sets of 3D multiparametric MRI images from
356 prostate cancer patients and report, with statistical significance, a
lowered median target registration error of 4.34 mm, when registering the
holdout DWI$_{high-b}$ and T2w image pairs, compared with that of 7.96 mm
before registration. Results also show that the proposed learning-based
registration networks enabled efficient registration with comparable or better
accuracy, compared with a classical iterative algorithm and other tested
learning-based methods with/without the additional modality. These compared
algorithms also failed to produce any significantly improved alignment between
DWI$_{high-b}$ and T2w in this challenging application.
- Abstract（参考訳）: 本研究では, 学習時間にのみ使用可能な追加画像を活用することで, 登録された画像とは異なる追加モダリティを活用できる, ペアワイズ・クロスモダリティ画像登録の課題を検討する。
例えば、t2重み付き(t2w)スキャンと高いb値(dwi$_{high-b}$)の拡散重み付きスキャンの間で、サブジェクト内マルチパラメトリック磁気共鳴(mpmr)画像の整合にフォーカスする。
mpMR画像における腫瘍のローカライズについては,b値0の拡散スキャン(DWI$_{b=0}$)は,対応する特徴が利用可能であるため,T2wへの登録が容易であると考えられる。
そこで本稿では,DWI$_{b=0}$をトレーニング専用画像モダリティを用いた特権モダリティアルゴリズムから学習し,マルチモダリティ登録問題を支援することを提案する。
356人の前立腺癌患者から369セットの3dマルチパラメトリックmri画像を用いて実験を行い,統計学的に,ホールドアウトdwi$_{high-b}$およびt2w画像対を登録した場合の目標登録誤差の中央値が4.34mmと,登録前の7.96mmと比較した。
また,提案した学習ベース登録ネットワークは,従来の反復アルゴリズムや,追加のモダリティを伴わない他の学習ベース手法と比較して,高い精度で効率的な登録を可能にした。
これらの比較アルゴリズムは、DWI$_{high-b}$とT2wの間のアライメントを、この挑戦的なアプリケーションで大幅に改善することができなかった。
関連論文リスト
- Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。
これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文 参考訳（メタデータ） (2023-02-05T02:41:46Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - Modality-Aware Triplet Hard Mining for Zero-shot Sketch-Based Image
Retrieval [51.42470171051007]
本稿では,ZES-SBIR(Zero-Shot Sketch-Based Image Retrieval)問題に,クロスモダリティメトリック学習の観点から取り組む。
DMLにおける2つの基本的な学習手法、例えば分類訓練とペアトレーニングを組み合わせることで、ZS-SBIRの強力なベースラインを構築した。
モータリティ・アウェア・トリプルト・ハード・マイニング(MATHM)は3種類のペア・ラーニングによってベースラインを向上することを示す。
論文 参考訳（メタデータ） (2021-12-15T08:36:44Z) - SAME: Deformable Image Registration based on Self-supervised Anatomical
Embeddings [16.38383865408585]
この研究は、ピクセルレベルでの2つの画像間の密度の高い解剖学的/意味的対応を計算できる最近のアルゴリズムSAMに基づいて構築されている。
本手法は, 画像登録をアフィン変換, 粗変形, 深部変形可能な3段階に分割する。
論文 参考訳（メタデータ） (2021-09-23T18:03:11Z) - Automatic Landmarks Correspondence Detection in Medical Images with an
Application to Deformable Image Registration [0.0]
DCNN-Matchは、自己教師された方法で3次元画像のランドマーク対応を予測することを学ぶ。
以上の結果より,DCNN-Matchにより予測されるランドマーク対応をシミュレートおよび臨床変形に用いた場合のDIR性能は有意に改善した。
論文 参考訳（メタデータ） (2021-09-06T20:16:27Z) - Self-Supervised Multi-Modal Alignment for Whole Body Medical Imaging [70.52819168140113]
我々は、英国バイオバンクの2万名以上の被験者のデータセットを使用し、全体Dixon法磁気共鳴法(MR)スキャンとデュアルエネルギーX線吸収率法(DXA)スキャンを併用した。
マルチモーダル画像マッチングコントラストフレームワークを導入し、同一対象の異なるモダリティスキャンを高精度にマッチングすることができる。
適応がなければ、この対照的なトレーニングステップで学習した対応が、自動クロスモーダルスキャン登録の実行に利用できることを示す。
論文 参考訳（メタデータ） (2021-07-14T12:35:05Z) - End-to-end Ultrasound Frame to Volume Registration [9.738024231762465]
2次元および3次元の登録のためのエンドツーエンドのフレーム・ツー・ボリューム登録ネットワーク(FVR-Net)を提案する。
提案モデルでは, リアルタイム介入指導において, 高い競争力のある登録精度で優れた効率性を示す。
論文 参考訳（メタデータ） (2021-07-14T01:59:42Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - F3RNet: Full-Resolution Residual Registration Network for Deformable
Image Registration [21.99118499516863]
変形性画像登録(DIR)は多くの画像誘導療法に必須である。
我々は、新しい教師なし登録ネットワーク、すなわちF3RNet(Full-Resolution Residual Registration Network)を提案する。
1つのストリームは、正確なボクセルレベルの登録を容易にするフルレゾリューション情報を利用する。
他方のストリームは、深いマルチスケールの残差表現を学習し、ロバストな認識を得る。
論文 参考訳（メタデータ） (2020-09-15T15:05:54Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z) - Groupwise Multimodal Image Registration using Joint Total Variation [0.0]
このようなマルチモーダル画像登録のための統合総量変動に基づくコスト関数を導入する。
シミュレーション脳スキャンと実脳スキャンの両方を厳密に整列させるアルゴリズムの評価を行った。
論文 参考訳（メタデータ） (2020-05-06T16:11:32Z)
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。