論文の概要: A Hybrid Deep Feature-Based Deformable Image Registration Method for Pathology Images

• arxiv url: http://arxiv.org/abs/2208.07655v4
• Date: Mon, 10 Apr 2023 13:24:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 23:34:30.229799
• Title: A Hybrid Deep Feature-Based Deformable Image Registration Method for Pathology Images
• Title（参考訳）: ハイブリッド型深部特徴量に基づく病理画像の変形性画像登録法
• Authors: Chulong Zhang, Yuming Jiang, Na Li, Zhicheng Zhang, Md Tauhidul Islam, Jingjing Dai, Lin Liu, Wenfeng He, Wenjian Qin, Jing Xiong, Yaoqin Xie and Xiaokun Liang
• Abstract要約: 病理学者は、正確な診断のために、異なる染色された病理スライスからの情報を組み合わせる必要がある。 本稿では, 染色された病理試料に対するハイブリッドな特徴量に基づく変形可能な画像登録フレームワークを提案する。 提案手法は,平均平均登録目標誤差(rTRE)が0.0034に達すると,従来の手法よりも17%向上する。
• 参考スコア（独自算出の注目度）: 18.439134996404274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathologists need to combine information from differently stained pathology slices for accurate diagnosis. Deformable image registration is a necessary technique for fusing multi-modal pathology slices. This paper proposes a hybrid deep feature-based deformable image registration framework for stained pathology samples. We first extract dense feature points via the detector-based and detector-free deep learning feature networks and perform points matching. Then, to further reduce false matches, an outlier detection method combining the isolation forest statistical model and the local affine correction model is proposed. Finally, the interpolation method generates the deformable vector field for pathology image registration based on the above matching points. We evaluate our method on the dataset of the Non-rigid Histology Image Registration (ANHIR) challenge, which is co-organized with the IEEE ISBI 2019 conference. Our technique outperforms the traditional approaches by 17% with the Average-Average registration target error (rTRE) reaching 0.0034. The proposed method achieved state-of-the-art performance and ranked 1st in evaluating the test dataset. The proposed hybrid deep feature-based registration method can potentially become a reliable method for pathology image registration.
• Abstract（参考訳）: 病理学者は、正確な診断のために異なる染色された病理スライスからの情報を統合する必要がある。 変形可能な画像登録はマルチモーダル病理スライスを用いるのに必要な技術である。 本稿では,染色病理検体のための深部特徴量に基づく変形可能な画像登録フレームワークを提案する。 まず,検出器ベースおよび検出器フリーのディープラーニング特徴ネットワークを用いて,高密度特徴点を抽出し,ポイントマッチングを行う。 そして,さらに誤一致を減らすために,孤立林統計モデルと局所アフィン補正モデルを組み合わせた異常検出法を提案する。 最後に、補間法は、上記マッチング点に基づいて病理画像登録のための変形可能なベクトルフィールドを生成する。 我々は,IEEE ISBI 2019 会議と共同で,非剛性組織画像登録(ANHIR)課題のデータセットについて評価を行った。 従来の手法を17%上回り,平均平均登録目標誤差(rtre)が0.0034に達した。 提案手法は,テストデータセットの評価において最先端の性能を達成し,第1位となった。 提案するハイブリッド型深層特徴ベース登録法は,病理画像登録の信頼性の高い方法となり得る。

関連論文リスト

• 2D-3D Deformable Image Registration of Histology Slide and Micro-CT with ML-based Initialization [2.1409936129568377]
  軟部組織CTの画質は低かったため,組織スライドとmuCTとの相関が困難であった。 本稿では,新しい2D-3Dマルチモーダルデフォルマブル画像登録法を提案する。
  論文  参考訳（メタデータ） (2024-10-18T09:51:43Z)
• RegWSI: Whole Slide Image Registration using Combined Deep Feature- and Intensity-Based Methods: Winner of the ACROBAT 2023 Challenge [1.7625447004432986]
  デジタル病理学を専門とする科学コミュニティや病院では,堅牢で効率的かつ正確な登録方法が望まれている。 i) 深層学習と特徴に基づく初期アライメントアルゴリズムと(ii) 強度に基づく非厳密な登録からなる2段階のハイブリッド手法を提案する。 提案手法は特定のデータセットへの微調整を一切必要とせず,任意の組織タイプや染色に直接使用することができる。
  論文  参考訳（メタデータ） (2024-04-19T16:19:30Z)
• Co-Learning Semantic-aware Unsupervised Segmentation for Pathological Image Registration [13.551672729289265]
  本稿では,病理画像登録のための新しい教師なしアプローチであるGIRNetを提案する。 病理画像の登録は、完全に教師なしの学習フレームワークで達成される。 以上の結果から,本手法は画像診断に難渋した場合でも,病理像の登録と病変の同定を正確に行うことが可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-17T07:13:28Z)
• QUIZ: An Arbitrary Volumetric Point Matching Method for Medical Image Registration [10.788848900099385]
  クエリポイントキッザ(QUIZ)という,任意の利害関係のボクセル点に基づく医用画像登録手法を提案する。 本研究は, 頸部がん患者の大変形データセットを用いて本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-30T08:13:40Z)
• Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
  多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。 本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。 入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。 大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
  論文  参考訳（メタデータ） (2022-11-24T23:45:01Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Margin-Aware Intra-Class Novelty Identification for Medical Images [2.647674705784439]
  ノベルティ検出のためのハイブリッドモデル-変換に基づく埋め込み学習(TEND)を提案する。 事前訓練されたオートエンコーダを画像特徴抽出器として、TENDは変換されたオートエンコーダから分布内データの特徴埋め込みを偽のアウト・オブ・ディストリビューション入力として識別する。
  論文  参考訳（メタデータ） (2021-07-31T00:10:26Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。