論文の概要: Self-supervised iRegNet for the Registration of Longitudinal Brain MRI
of Diffuse Glioma Patients
- arxiv url: http://arxiv.org/abs/2211.11025v1
- Date: Sun, 20 Nov 2022 17:02:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 19:21:25.064477
- Title: Self-supervised iRegNet for the Registration of Longitudinal Brain MRI
of Diffuse Glioma Patients
- Title(参考訳): びまん性グリオーマ患者の縦型脳MRI登録のための自己監督型iRegNet
- Authors: Ramy A. Zeineldin, Mohamed E. Karar, Franziska Mathis-Ullrich, Oliver
Burgert
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable and accurate registration of patient-specific brain magnetic
resonance imaging (MRI) scans containing pathologies is challenging due to
tissue appearance changes. This paper describes our contribution to the
Registration of the longitudinal brain MRI task of the Brain Tumor Sequence
Registration Challenge 2022 (BraTS-Reg 2022). We developed an enhanced
unsupervised learning-based method that extends the iRegNet. In particular,
incorporating an unsupervised learning-based paradigm as well as several minor
modifications to the network pipeline, allows the enhanced iRegNet method to
achieve respectable results. Experimental findings show that the enhanced
self-supervised model is able to improve the initial mean median registration
absolute error (MAE) from 8.20 (7.62) mm to the lowest value of 3.51 (3.50) for
the training set while achieving an MAE of 2.93 (1.63) mm for the validation
set. Additional qualitative validation of this study was conducted through
overlaying pre-post MRI pairs before and after the de-formable registration.
The proposed method scored 5th place during the testing phase of the MICCAI
BraTS-Reg 2022 challenge. The docker image to reproduce our BraTS-Reg
submission results will be publicly available.
- Abstract(参考訳): 病理像を含む患者特異的脳磁気共鳴画像(MRI)スキャンの信頼性と正確な登録は、組織像の変化により困難である。
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。
iregnetを拡張した教師なし学習方式を開発した。
特に、教師なしの学習ベースのパラダイムとネットワークパイプラインのマイナーな変更を組み込むことで、拡張されたiregnetメソッドは、優れた結果を得ることができる。
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(7.62mm)から最低値3.51(3.50)に改善し, 検証セットのMAEを2.93(1.63)mmとした。
本研究のさらなる質的検証は,非形成性登録前後のMRI前対をオーバーレイすることで行った。
提案手法はMICCAI BraTS-Reg 2022の試験段階で5位となった。
BraTS-Regの提出結果を再現するdockerイメージが公開されます。
関連論文リスト
- SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳(メタデータ) (2023-10-03T05:05:35Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - 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) - 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) - 3D Inception-Based TransMorph: Pre- and Post-operative Multi-contrast
MRI Registration in Brain Tumors [1.2234742322758418]
InceptionモデルとTransMorphモデルに基づく2段階カスケードネットワークを提案する。
ロス関数は、標準画像類似度測定器、拡散正則化器、および強度依存を克服するために付加されたエッジマップ類似度測定器から構成された。
BraTS-Regチャレンジの最終テストフェーズでは,モデル提出時に6位を獲得しました。
論文 参考訳(メタデータ) (2022-12-08T22:00:07Z) - Brain Tumor Sequence Registration with Non-iterative Coarse-to-fine
Networks and Dual Deep Supervision [11.795108660250843]
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。
論文 参考訳(メタデータ) (2022-11-15T03:58:47Z) - 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) - Cross-Modality Image Registration using a Training-Time Privileged Third
Modality [5.78335050301421]
本稿では,マルチモーダリティ登録問題を支援するために,特権モーダリティアルゴリズムからの学習を提案する。
前立腺癌356例の369セットの3D Multiparametric MRI画像を用いて実験を行った。
論文 参考訳(メタデータ) (2022-07-26T13:50:30Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳(メタデータ) (2022-03-28T14:03:45Z) - Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。
合計320回の試験(平均6回の試験)と28回の試験が行われた。
ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文 参考訳(メタデータ) (2020-05-27T20:44:38Z) - 3D deformable registration of longitudinal abdominopelvic CT images
using unsupervised deep learning [1.1994327533877143]
本研究では,非教師付きディープラーニングフレームワークであるVoxelMorphを用いて,縦型腹部CT画像の変形性登録を行う。
CT画像は、CTテーブルと他のすべての体外成分を自動的に除去することにより、登録前に精査された。
連続したCT画像の模擬変形に基づく新しい漸進的トレーニング戦略を提案する。
論文 参考訳(メタデータ) (2020-05-15T13:49:13Z)
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。