論文の概要: Brain Tumor Sequence Registration with Non-iterative Coarse-to-fine
Networks and Dual Deep Supervision
- arxiv url: http://arxiv.org/abs/2211.07876v1
- Date: Tue, 15 Nov 2022 03:58:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-16 14:53:00.366227
- Title: Brain Tumor Sequence Registration with Non-iterative Coarse-to-fine
Networks and Dual Deep Supervision
- Title(参考訳): 非定位粗大ネットワークとデュアル・ディープ・スーパービジョンを用いた脳腫瘍系列登録
- Authors: Mingyuan Meng, Lei Bi, Dagan Feng, and Jinman Kim
- Abstract要約: 脳グリオーマ患者の術前MRI像と術後MRI像の脳腫瘍配列の登録に焦点をあてた。
脳腫瘍の登録は、腫瘍の変化を定量化する脳画像解析の基本的な要件である。
我々は最近提案した非Iterative Coarse-to-finE registration Networks (NICE-Net) を採用した。
- 参考スコア(独自算出の注目度): 11.795108660250843
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In this study, we focus on brain tumor sequence registration between
pre-operative and follow-up Magnetic Resonance Imaging (MRI) scans of brain
glioma patients, in the context of Brain Tumor Sequence Registration challenge
(BraTS-Reg 2022). Brain tumor registration is a fundamental requirement in
brain image analysis for quantifying tumor changes. This is a challenging task
due to large deformations and missing correspondences between pre-operative and
follow-up scans. For this task, we adopt our recently proposed Non-Iterative
Coarse-to-finE registration Networks (NICE-Net) - a deep learning-based method
for coarse-to-fine registering images with large deformations. To overcome
missing correspondences, we extend the NICE-Net by introducing dual deep
supervision, where a deep self-supervised loss based on image similarity and a
deep weakly-supervised loss based on manually annotated landmarks are deeply
embedded into the NICE-Net. At the BraTS-Reg 2022, our method achieved a
competitive result on the validation set (mean absolute error: 3.387) and
placed 4th in the final testing phase (Score: 0.3544).
- Abstract(参考訳): 本研究では,脳腫瘍シーケンス登録チャレンジ(BraTS-Reg 2022)の文脈において,脳グリオーマ患者の術前MRI像と術後MRI像の脳腫瘍シーケンス登録に焦点を当てた。
脳腫瘍の登録は、腫瘍の変化を定量化する脳画像解析の基本的な要件である。
これは、大きな変形と、術前スキャンと追跡スキャンの対応が欠けているため、難しい課題である。
本研究では,最近提案する非イテレーティブな粗粒間登録ネットワーク(nice-net)を用いて,大きな変形を伴う粗粒間登録を行うための深層学習方式を提案する。
画像の類似性に基づく深い自己監督的損失と手動による注釈付きランドマークに基づく深い弱監督的損失がNICE-Netに深く埋め込まれている。
brats-reg 2022では、検証セット(絶対誤差: 3.387)の競合結果を達成し、最終テストフェーズ(score: 0.3544)で4位となった。
関連論文リスト
- An Integrated Deep Learning Framework for Effective Brain Tumor Localization, Segmentation, and Classification from Magnetic Resonance Images [0.0]
脳内の腫瘍は、様々な種類の脳細胞から生じる脳組織内の異常な細胞増殖によって生じる。
本研究は,MRI画像からのグリオーマの局在,セグメンテーション,分類のためのDLフレームワークを提案する。
提案モデルでは,早期診断を可能とし,患者に対してより正確な治療オプションを提供することで,医療用AIの進歩を期待できる結果が得られた。
論文 参考訳(メタデータ) (2024-09-25T18:38:57Z) - GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。
我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。
提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
論文 参考訳(メタデータ) (2023-06-26T13:32:09Z) - The Brain Tumor Segmentation (BraTS) Challenge: Local Synthesis of Healthy Brain Tissue via Inpainting [50.01582455004711]
脳腫瘍患者の場合、画像取得の時系列は通常、すでに病理的なスキャンから始まる。
多くのアルゴリズムは、健康な脳を分析し、病変を特徴とする画像の保証を提供しないように設計されている。
例えば、脳解剖学のパーセレーション、組織セグメンテーション、脳抽出のアルゴリズムがある。
そこで参加者は、損傷した脳から健康な脳スキャンを合成するための塗装技術を探る。
論文 参考訳(メタデータ) (2023-05-15T20:17:03Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - Self-supervised iRegNet for the Registration of Longitudinal Brain MRI
of Diffuse Glioma Patients [0.0]
本稿では,脳腫瘍シーケンス登録チャレンジ2022(BraTS-Reg2022)における縦型脳MRIタスクの登録への貢献について述べる。
我々はiRegNetを拡張した教師なし学習手法を開発した。
実験結果から, 自己監督モデルにより, 初期平均中央値絶対誤差 (MAE) を8.20 (7.62) mm から最低値 3.51 (3.50) mm に改善できることがわかった。
論文 参考訳(メタデータ) (2022-11-20T17:02:52Z) - Robust Image Registration with Absent Correspondences in Pre-operative
and Follow-up Brain MRI Scans of Diffuse Glioma Patients [11.4219428942199]
術前および術後の脳MRIスキャンのための3段階登録パイプラインを提案する。
提案手法は,BraTS-Regチャレンジの検証セットにおいて,1.64mm,88%の絶対誤差を実現する。
論文 参考訳(メタデータ) (2022-10-20T06:37:40Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳(メタデータ) (2022-05-16T10:59:55Z) - Symmetric-Constrained Irregular Structure Inpainting for Brain MRI
Registration with Tumor Pathology [33.90454917741234]
腫瘍領域に合成組織強度を発生させるコンテキスト認識型画像インパインティングフレームワークを提案する。
パッチワイズ機能間のセマンティックな関連性をモデル化して詳細を洗練するために,機能レベルのパッチマッチ改善モジュールを適用した。
提案手法は,信号対雑音比,構造類似度指数,ピーク信号対雑音比,L1誤差を低減した結果を得た。
論文 参考訳(メタデータ) (2021-01-17T20:38:50Z) - Automatic Segmentation of Non-Tumor Tissues in Glioma MR Brain Images
Using Deformable Registration with Partial Convolutional Networks [0.0]
われわれはまずU-Netを用いて脳腫瘍を分離し,正常な組織を模倣する新しい登録法を提案する。
提案アルゴリズムと直接登録を比較した結果, 灰白質のDice係数は正常な脳組織に対して有意に改善された。
論文 参考訳(メタデータ) (2020-07-10T07:58:23Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳(メタデータ) (2020-06-23T09:20:42Z)
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。