論文の概要: Automatic Landmark Detection and Registration of Brain Cortical Surfaces
via Quasi-Conformal Geometry and Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2208.07010v1
- Date: Mon, 15 Aug 2022 05:47:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 14:46:30.231383
- Title: Automatic Landmark Detection and Registration of Brain Cortical Surfaces
via Quasi-Conformal Geometry and Convolutional Neural Networks
- Title（参考訳）: 準共形幾何と畳み込みニューラルネットワークによる脳皮質表面の自動ランドマーク検出と登録
- Authors: Yuchen Guo, Qiguang Chen, Gary P. T. Choi, Lok Ming Lui
- Abstract要約: 本稿では,脳皮質表面の自動的ランドマーク検出と登録のための新しい枠組みを提案する。
まず,ランドマーク曲線の自動抽出を可能にするランドマーク検出ネットワーク(LD-Net)を開発した。
次に,検出されたランドマークと準コンフォーマル理論を用いて表面登録を行う。
- 参考スコア（独自算出の注目度）: 17.78250777571423
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In medical imaging, surface registration is extensively used for performing
systematic comparisons between anatomical structures, with a prime example
being the highly convoluted brain cortical surfaces. To obtain a meaningful
registration, a common approach is to identify prominent features on the
surfaces and establish a low-distortion mapping between them with the feature
correspondence encoded as landmark constraints. Prior registration works have
primarily focused on using manually labeled landmarks and solving highly
nonlinear optimization problems, which are time-consuming and hence hinder
practical applications. In this work, we propose a novel framework for the
automatic landmark detection and registration of brain cortical surfaces using
quasi-conformal geometry and convolutional neural networks. We first develop a
landmark detection network (LD-Net) that allows for the automatic extraction of
landmark curves given two prescribed starting and ending points based on the
surface geometry. We then utilize the detected landmarks and quasi-conformal
theory for achieving the surface registration. Specifically, we develop a
coefficient prediction network (CP-Net) for predicting the Beltrami
coefficients associated with the desired landmark-based registration and a
mapping network called the disk Beltrami solver network (DBS-Net) for
generating quasi-conformal mappings from the predicted Beltrami coefficients,
with the bijectivity guaranteed by quasi-conformal theory. Experimental results
are presented to demonstrate the effectiveness of our proposed framework.
Altogether, our work paves a new way for surface-based morphometry and medical
shape analysis.
- Abstract（参考訳）: 医用画像では、解剖学的構造を系統的に比較するために表面登録が広く用いられ、その主な例は高度に畳み込まれた脳皮質表面である。
有意義な登録を得るためには、表面上の顕著な特徴を識別し、ランドマーク制約としてエンコードされた特徴対応とそれらの間の低歪みマッピングを確立するのが一般的である。
事前登録作業は、主に手動でラベル付けされたランドマークを使用し、高度に非線形な最適化問題を解決することに焦点を当ててきた。
本研究では、準等角形状と畳み込みニューラルネットワークを用いた脳皮質表面の自動的ランドマーク検出と登録のための新しい枠組みを提案する。
まずランドマーク検出ネットワーク(LD-Net)を開発し,表面形状に基づいて2つの所定の始点と終点を与えられたランドマーク曲線の自動抽出を可能にする。
次に,検出されたランドマークと準共形理論を用いて表面登録を行う。
具体的には、所望のランドマークベース登録に関連するベルトラミ係数を予測するための係数予測ネットワーク(CP-Net)と、予測されたベルトラミ係数から準等角写像を生成するためのディスクベルトラミソルバネットワーク(DBS-Net)と呼ばれるマッピングネットワークを開発する。
提案手法の有効性を実証するために実験結果を示した。
我々の研究は、表面形状計測と医用形状解析の新しい方法である。
関連論文リスト
- GESH-Net: Graph-Enhanced Spherical Harmonic Convolutional Networks for Cortical Surface Registration [8.896542371748115]
本稿では,皮質表面画像登録技術を研究するためのディープラーニングモデルを構築した。
マルチスケールのカスケード構造に基づく教師なしの皮質表面登録ネットワークを設計する。
グラフ対応モジュールを登録ネットワークに導入し、グラフアテンションモジュールを使用してネットワークがグローバルな機能を学ぶのを支援する。
論文 参考訳（メタデータ） (2024-10-18T18:21:47Z) - Deep Learning-Based Quasi-Conformal Surface Registration for Partial 3D Faces Applied to Facial Recognition [13.426313868579827]
3D顔登録は、3D顔モデルを整列し、テンプレートフェイスにマッピングする重要なプロセスである。
本稿では, 疑似等角形状と深層ニューラルネットワークを併用し, 顔部分登録を行う新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-05-16T08:03:41Z) - Unsupervised Multimodal Surface Registration with Geometric Deep
Learning [3.3403308469369577]
GeoMorphは、皮質表面の画像登録用に設計された新しい幾何学的深層学習フレームワークである。
よりスムーズな変形によるアライメントの改善により,GeoMorphは既存のディープラーニング手法よりも優れていることを示す。
このような汎用性と堅牢性は、様々な神経科学応用に強い可能性を示唆している。
論文 参考訳（メタデータ） (2023-11-21T22:05:00Z) - Quasi-orthogonality and intrinsic dimensions as measures of learning and
generalisation [55.80128181112308]
ニューラルネットワークの特徴空間の次元性と準直交性は、ネットワークの性能差別と共同して機能する可能性があることを示す。
本研究は, ネットワークの最終的な性能と, ランダムに初期化された特徴空間の特性との関係を示唆する。
論文 参考訳（メタデータ） (2022-03-30T21:47:32Z) - A Deep-Discrete Learning Framework for Spherical Surface Registration [4.7633236054762875]
皮質表面の登録は神経画像解析の基本的なツールである。
本稿では,登録を多ラベル分類問題に変換する,教師なし学習に基づく新しいフレームワークを提案する。
実験により,提案するフレームワークは,最もポピュラーな古典的表面登録アルゴリズムと比較して,類似性やアラル歪みの点で競合的に動作することが示された。
論文 参考訳（メタデータ） (2022-03-24T11:47:11Z) - An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。
まず,表面データに摂動に基づくアプローチを適用した。
我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文 参考訳（メタデータ） (2022-03-15T23:16:49Z) - A singular Riemannian geometry approach to Deep Neural Networks II.
Reconstruction of 1-D equivalence classes [78.120734120667]
入力空間における出力多様体内の点の事前像を構築する。
我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
論文 参考訳（メタデータ） (2021-12-17T11:47:45Z) - Progressive Spatio-Temporal Graph Convolutional Network for
Skeleton-Based Human Action Recognition [97.14064057840089]
本稿では,グラフ畳み込みネットワークのためのコンパクトで問題固有のネットワークを,段階的に自動的に見つける手法を提案する。
骨格に基づく人体行動認識のための2つのデータセットの実験結果から,提案手法は競争力あるいはより優れた分類性能を有することが示された。
論文 参考訳（メタデータ） (2020-11-11T09:57:49Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳（メタデータ） (2020-10-23T14:49:02Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - Neural Network Tomography [4.407668482702675]
ネットワークトモグラフィーはネットワーク監視の領域における古典的な研究課題である。
NeuTomographyは、未測定のパフォーマンス指標を予測するために、ディープニューラルネットワークとデータ拡張を利用する。
NeuTomographyは、元のネットワークトポロジを再構築するために使用できる。
論文 参考訳（メタデータ） (2020-01-09T12:19:26Z)
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。