論文の概要: Distance Map Supervised Landmark Localization for MR-TRUS Registration
- arxiv url: http://arxiv.org/abs/2210.05738v1
- Date: Tue, 11 Oct 2022 19:08:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 14:29:39.821919
- Title: Distance Map Supervised Landmark Localization for MR-TRUS Registration
- Title（参考訳）: MR-TRUS登録のための距離マップによるランドマーク位置推定
- Authors: Xinrui Song, Xuanang Xu, Sheng Xu, Baris Turkbey, Bradford J. Wood,
Thomas Sanford, Pingkun Yan
- Abstract要約: まず、深層ニューラルネットワークをトレーニングして、意味のあるランドマークの集合を自動的にローカライズし、それらのランドマークの位置からアフィン登録行列を直接生成します。
ランドマークの局所化のために、ランドマーク座標を予測するためにネットワークを直接訓練する代わりに、ランドマークのフル解像度距離マップを回帰することを提案する。
次に,予測されたランドマークを用いてアフィン変換マトリックスを生成し,TREの点で臨床医の手技による手技による手技の登録よりも優れていた。
- 参考スコア（独自算出の注目度）: 17.436493592481398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we propose to explicitly use the landmarks of prostate to guide
the MR-TRUS image registration. We first train a deep neural network to
automatically localize a set of meaningful landmarks, and then directly
generate the affine registration matrix from the location of these landmarks.
For landmark localization, instead of directly training a network to predict
the landmark coordinates, we propose to regress a full-resolution distance map
of the landmark, which is demonstrated effective in avoiding statistical bias
to unsatisfactory performance and thus improving performance. We then use the
predicted landmarks to generate the affine transformation matrix, which
outperforms the clinicians' manual rigid registration by a significant margin
in terms of TRE.
- Abstract（参考訳）: 本研究では,mr-trus画像登録のガイドとして,前立腺のランドマークを明示的に使用することを提案する。
まず、深層ニューラルネットワークをトレーニングして、意味のあるランドマークの集合を自動的にローカライズし、それらのランドマークの位置からアフィン登録行列を直接生成します。
ランドマークの局所化のためには,ネットワークを直接トレーニングしてランドマーク座標を予測する代わりに,ランドマークの完全解像度距離マップを回帰することを提案する。
次に予測されたランドマークを用いてアフィン変換マトリクスを生成し、treの点では臨床医の手作業による厳格な登録を大幅に上回った。
関連論文リスト
- Self-supervised Landmark Learning with Deformation Reconstruction and
Cross-subject Consistency Objectives [19.607668635077502]
ポイント分布モデル(PDM)の登録モデルからランドマーク点を抽出する自己教師型アプローチを提案する。
複雑な変形を持つデータは、限られた数の点のみを用いて影響のあるランドマークポイントを抽出する場合に、ポイントベース登録で容易にモデル化できないと我々は主張する。
論文 参考訳（メタデータ） (2023-08-09T14:40:51Z) - Shape Preserving Facial Landmarks with Graph Attention Networks [3.996275177789895]
本稿では,CNN と Graph Attention Network Regressors のカスケードを組み合わせたモデルを提案する。
顔のランドマークの外観と位置を共同で表現するエンコーディングと、その信頼性に応じて情報を測定するアテンション機構を導入する。
実験により,提案モデルが顔の構造のグローバルな表現を学習し,頭部ポーズとランドマーク推定のベンチマークで最高性能を達成できることが確認された。
論文 参考訳（メタデータ） (2022-10-13T17:58:02Z) - Automatic Landmark Detection and Registration of Brain Cortical Surfaces
via Quasi-Conformal Geometry and Convolutional Neural Networks [17.78250777571423]
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。
論文 参考訳（メタデータ） (2022-08-15T05:47:51Z) - One-Shot Medical Landmark Localization by Edge-Guided Transform and
Noisy Landmark Refinement [59.14062241534754]
医用ランドマークのワンショット化のための2段階のフレームワークを提案する。
ステージIでは,新たな損失関数の指導の下で,グローバルアライメントと局所変形のエンドツーエンドのカスケードを学習する。
ステージIIでは,信頼性の高い擬似ラベルを選択するための自己整合性や,半教師付き学習のための相互整合性について検討する。
論文 参考訳（メタデータ） (2022-07-31T15:42:28Z) - Sparse Local Patch Transformer for Robust Face Alignment and Landmarks
Inherent Relation Learning [11.150290581561725]
固有関係を学習するためのスパース局所パッチ変換器(S)を提案する。
提案手法は計算量が少なくて最先端のレベルで機能する。
論文 参考訳（メタデータ） (2022-03-13T01:15:23Z) - An End-to-End Transformer Model for Crowd Localization [64.15335535775883]
頭の位置を予測するクラウドローカライゼーションは、単にカウントするよりも実用的でハイレベルなタスクである。
既存の方法は擬似有界ボックスや事前設計されたローカライゼーションマップを使用し、複雑な後処理に頼って先頭位置を得る。
本稿では,レグレッションベースパラダイムの課題を解決するエレガントでエンドツーエンドなクラウドローカライゼーションTRansformerを提案する。
論文 参考訳（メタデータ） (2022-02-26T05:21:30Z) - Attention-based Vehicle Self-Localization with HD Feature Maps [13.368212933272238]
本稿では,ポイントベースディープニューラルネットワークを用いた車両の自己局在化手法を提案する。
我々のアプローチは、車両の姿勢を推測するために、高解像度のデジタルマップからランドマーク(ランドマーク)の測定と点特徴を処理します。
論文 参考訳（メタデータ） (2021-07-16T09:25:25Z) - Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。
地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。
提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-01T19:24:27Z) - LM-Reloc: Levenberg-Marquardt Based Direct Visual Relocalization [54.77498358487812]
LM-Relocは、直接画像アライメントに基づく視覚的再ローカライズのための新しいアプローチである。
本稿では,LM-Net を学習するための古典的レバンス・マルカルトアルゴリズムにインスパイアされた損失定式化を提案する。
論文 参考訳（メタデータ） (2020-10-13T12:15:20Z) - Rethinking Localization Map: Towards Accurate Object Perception with
Self-Enhancement Maps [78.2581910688094]
本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。
特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
論文 参考訳（メタデータ） (2020-06-09T12:35:55Z) - Attentive One-Dimensional Heatmap Regression for Facial Landmark
Detection and Tracking [73.35078496883125]
顔のランドマークの局所化のための新しい1次元熱マップ回帰法を提案する。
まず、x座標とy座標の辺分布を表すために、1次元熱マップの2つの群を予測する。
第2に、x と y 座標に存在する固有の空間パターンをモデル化するコアテンション機構が採用されている。
第3に、1次元熱マップ構造に基づいて、画像上のランドマーク検出のための空間パターンを検出する顔ランドマーク検出器を提案する。
論文 参考訳（メタデータ） (2020-04-05T06:51:22Z)
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。