論文の概要: Fast Auto-Differentiable Digitally Reconstructed Radiographs for Solving
Inverse Problems in Intraoperative Imaging
- arxiv url: http://arxiv.org/abs/2208.12737v1
- Date: Fri, 26 Aug 2022 15:49:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-29 13:31:20.872635
- Title: Fast Auto-Differentiable Digitally Reconstructed Radiographs for Solving
Inverse Problems in Intraoperative Imaging
- Title（参考訳）: 高速自己微分可能デジタル再構成ラジオグラフィーによる術中画像診断における逆問題の解決
- Authors: Vivek Gopalakrishnan and Polina Golland
- Abstract要約: デジタル再構成ラジオグラフィ(DRR)は術前設定でよく研究されている。
DRRはスライス・ツー・ボリューム登録や3次元再構成といった逆問題の解決に利用できる。
- 参考スコア（独自算出の注目度）: 2.6027967363792865
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The use of digitally reconstructed radiographs (DRRs) to solve inverse
problems such as slice-to-volume registration and 3D reconstruction is
well-studied in preoperative settings. In intraoperative imaging, the utility
of DRRs is limited by the challenges in generating them in real-time and
supporting optimization procedures that rely on repeated DRR synthesis. While
immense progress has been made in accelerating the generation of DRRs through
algorithmic refinements and GPU implementations, DRR-based optimization remains
slow because most DRR generators do not offer a straightforward way to obtain
gradients with respect to the imaging parameters. To make DRRs interoperable
with gradient-based optimization and deep learning frameworks, we have
reformulated Siddon's method, the most popular ray-tracing algorithm used in
DRR generation, as a series of vectorized tensor operations. We implemented
this vectorized version of Siddon's method in PyTorch, taking advantage of the
library's strong automatic differentiation engine to make this DRR generator
fully differentiable with respect to its parameters. Additionally, using
GPU-accelerated tensor computation enables our vectorized implementation to
achieve rendering speeds equivalent to state-of-the-art DRR generators
implemented in CUDA and C++. We illustrate the resulting method in the context
of slice-to-volume registration. Moreover, our simulations suggest that the
loss landscapes for the slice-to-volume registration problem are convex in the
neighborhood of the optimal solution, and gradient-based registration promises
a much faster solution than prevailing gradient-free optimization strategies.
The proposed DRR generator enables fast computer vision algorithms to support
image guidance in minimally invasive procedures. Our implementation is
publically available at https://github.com/v715/DiffDRR.
- Abstract（参考訳）: スライス・ツー・ボリュームの登録や3D再構成といった逆問題に対するデジタル再構成ラジオグラフィ(DRR)の使用は、術前設定でよく研究されている。
術中画像におけるDRRの有用性は、DRR合成の繰り返しに依存する最適化手順をリアルタイムで生成する際の課題によって制限される。
アルゴリズムの改良とGPU実装によってDRRの生成を加速する大きな進歩があったが、ほとんどのDRRジェネレータは画像パラメータに関して勾配を得る簡単な方法を提供していないため、DRRベースの最適化は遅いままである。
勾配に基づく最適化とディープラーニングフレームワークとの相互運用を実現するため,DRR生成に最もよく用いられるレイトレーシングアルゴリズムであるSiddonの手法をベクトル化テンソル演算のシリーズとして改訂した。
我々はこのベクトル化バージョンのsiddon法をpytorchに実装し,ライブラリの強力な自動微分エンジンを利用して,dr生成器をパラメータに対して完全に微分可能とした。
さらに,GPU高速化テンソル計算を用いることで,CUDAやC++で実装された最先端DRRジェネレータと同等のレンダリング速度を実現することができる。
提案手法は,スライス・ツー・ボリューム登録の文脈で述べる。
さらに,スライスからボリュームへの登録問題に対するロスランドスケープは,最適解近傍で凸であり,勾配に基づく登録は,従来の勾配なし最適化手法よりもはるかに高速に解決できることを示す。
提案したDRRジェネレータは、高速コンピュータビジョンアルゴリズムにより、最小侵襲の手順で画像誘導をサポートすることができる。
実装はhttps://github.com/v715/diffdrrで公開しています。
関連論文リスト
- vSHARP: variable Splitting Half-quadratic Admm algorithm for Reconstruction of inverse-Problems [7.043932618116216]
vSHARP (variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse Problems) は、医学的イメージング(MI)における不適切な逆問題の解法である。
データ一貫性のために、vSHARPは画像領域で微分勾配降下過程をアンロールし、一方、U-NetアーキテクチャのようなDLベースのデノイザは画質を高めるために適用される。
我々の最先端手法との比較分析は,これらの応用におけるvSHARPの優れた性能を示すものである。
論文 参考訳（メタデータ） (2023-09-18T17:26:22Z) - Curvature regularization for Non-line-of-sight Imaging from
Under-sampled Data [5.591221518341613]
非視線イメージング(NLOS)は、視線で測定されたデータから3次元の隠れたシーンを再構築することを目的としている。
曲率正規化に基づく新しいNLOS再構成モデルを提案する。
提案したアルゴリズムを,合成データセットと実データセットの両方で評価する。
論文 参考訳（メタデータ） (2023-01-01T14:10:43Z) - DCS-RISR: Dynamic Channel Splitting for Efficient Real-world Image
Super-Resolution [15.694407977871341]
実世界の画像超解像(RISR)は、未知の複雑な劣化下でのSR画像の品質向上に重点を置いている。
既存の手法は、分解レベルが異なる低解像度(LR)画像を強化するために重いSRモデルに依存している。
本稿では,DCS-RISRと呼ばれる高効率リアルタイム画像超解法のための動的チャネル分割方式を提案する。
論文 参考訳（メタデータ） (2022-12-15T04:34:57Z) - RAGO: Recurrent Graph Optimizer For Multiple Rotation Averaging [62.315673415889314]
本稿では,複数回転平均化(MRA)のための深部繰り返し回転平均化グラフ(RAGO)を提案する。
我々のフレームワークは、実世界のアプリケーションに小さなサイズでデプロイされた、リアルタイムに学習から最適化するローテーション平均化グラフである。
論文 参考訳（メタデータ） (2022-12-14T13:19:40Z) - Loop Unrolled Shallow Equilibrium Regularizer (LUSER) -- A
Memory-Efficient Inverse Problem Solver [26.87738024952936]
逆問題では、潜在的に破損し、しばしば不適切な測定結果から、いくつかの基本的な関心のシグナルを再構築することを目的としている。
浅い平衡正規化器(L)を用いたLUアルゴリズムを提案する。
これらの暗黙のモデルは、より深い畳み込みネットワークと同じくらい表現力があるが、トレーニング中にはるかにメモリ効率が良い。
論文 参考訳（メタデータ） (2022-10-10T19:50:37Z) - Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration [63.15453821022452]
ディープラーニングに基づくアプローチの最近の発展は、DiffIRのサブ秒間実行を実現している。
本稿では,中間定常速度場を機能的に構成する簡易な反復スキームを提案する。
次に、任意の順序の正規化項を用いて、これらの速度場に滑らかさを課す凸最適化モデルを提案する。
論文 参考訳（メタデータ） (2021-09-26T19:56:45Z) - LAPAR: Linearly-Assembled Pixel-Adaptive Regression Network for Single
Image Super-Resolution and Beyond [75.37541439447314]
単一画像超解像(SISR)は、低解像度(LR)画像を高解像度(HR)バージョンにアップサンプリングする根本的な問題を扱う。
本稿では,線形組立画素適応回帰ネットワーク (LAPAR) を提案する。
論文 参考訳（メタデータ） (2021-05-21T15:47:18Z) - Rotation Coordinate Descent for Fast Globally Optimal Rotation Averaging [47.3713707521106]
回転座標降下 (RCD) と呼ばれる世界最適性を実現する高速アルゴリズムを提案する。
半定値行列を行ごと更新することでSDPを解くブロック座標降下(BCD)とは異なり、RCDは繰り返しを通して全ての有効な回転を直接維持・更新する。
我々は数学的にアルゴリズムの収束を証明し、最先端のグローバル手法よりも優れた効率を示す。
論文 参考訳（メタデータ） (2021-03-15T11:31:34Z) - Frequency Consistent Adaptation for Real World Super Resolution [64.91914552787668]
実シーンにスーパーリゾリューション(SR)法を適用する際に周波数領域の整合性を保証する新しい周波数一貫性適応(FCA)を提案する。
監視されていない画像から劣化カーネルを推定し、対応するLow-Resolution (LR)画像を生成する。
ドメイン一貫性のあるLR-HRペアに基づいて、容易に実装可能な畳み込みニューラルネットワーク(CNN)SRモデルを訓練する。
論文 参考訳（メタデータ） (2020-12-18T08:25:39Z) - DynaVSR: Dynamic Adaptive Blind Video Super-Resolution [60.154204107453914]
DynaVSRは、現実世界のビデオSRのための新しいメタラーニングベースのフレームワークである。
様々な種類の合成ボケカーネルを備えたマルチフレームダウンスケーリングモジュールをトレーニングし、入力認識適応のためのビデオSRネットワークとシームレスに結合する。
実験結果から,DynaVSRは最先端のビデオSRモデルの性能を一定に向上することがわかった。
論文 参考訳（メタデータ） (2020-11-09T15:07:32Z)
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。