論文の概要: Unsupervised Echocardiography Registration through Patch-based MLPs and Transformers

• arxiv url: http://arxiv.org/abs/2211.11687v1
• Date: Mon, 21 Nov 2022 17:59:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 21:25:18.616708
• Title: Unsupervised Echocardiography Registration through Patch-based MLPs and Transformers
• Title（参考訳）: Patch-based MLPとTransformerによる心エコーの非教師的登録
• Authors: Zihao Wang, Yingyu Yang, Maxime Sermesant, Herve Delingette
• Abstract要約: この作業では、トランスフォーマーとパッチを使用した3つのイメージ登録用のパッチベースのフレームワークを導入している。 我々は、人気のあるCNN登録モデルよりも同等で、さらに優れた登録性能を示します。
• 参考スコア（独自算出の注目度）: 6.330832343516528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image registration is an essential but challenging task in medical image computing, especially for echocardiography, where the anatomical structures are relatively noisy compared to other imaging modalities. Traditional (non-learning) registration approaches rely on the iterative optimization of a similarity metric which is usually costly in time complexity. In recent years, convolutional neural network (CNN) based image registration methods have shown good effectiveness. In the meantime, recent studies show that the attention-based model (e.g., Transformer) can bring superior performance in pattern recognition tasks. In contrast, whether the superior performance of the Transformer comes from the long-winded architecture or is attributed to the use of patches for dividing the inputs is unclear yet. This work introduces three patch-based frameworks for image registration using MLPs and transformers. We provide experiments on 2D-echocardiography registration to answer the former question partially and provide a benchmark solution. Our results on a large public 2D echocardiography dataset show that the patch-based MLP/Transformer model can be effectively used for unsupervised echocardiography registration. They demonstrate comparable and even better registration performance than a popular CNN registration model. In particular, patch-based models better preserve volume changes in terms of Jacobian determinants, thus generating robust registration fields with less unrealistic deformation. Our results demonstrate that patch-based learning methods, whether with attention or not, can perform high-performance unsupervised registration tasks with adequate time and space complexity. Our codes are available https://gitlab.inria.fr/epione/mlp\_transformer\_registration
• Abstract（参考訳）: 画像登録は医用画像処理において必須であるが困難な課題であり、特に心エコー図では解剖学的構造が他の画像モードと比較して比較的ノイズが多い。 従来の(非学習)登録アプローチは、通常時間の複雑さにコストがかかる類似度メトリックの反復的最適化に依存している。 近年,畳み込みニューラルネットワーク(CNN)に基づく画像登録手法が有効であることが示された。 一方,近年の研究では,注意に基づくモデル(トランスフォーマーなど)がパターン認識タスクにおいて優れた性能をもたらすことが示されている。 対照的に、Transformerの優れた性能が長めのアーキテクチャによるものなのか、それとも入力を分割するためのパッチの使用によるものなのかはまだ不明である。 MLPとトランスフォーマーを使った3つのパッチベースの画像登録フレームワークを導入する。 2d-echocardiographyの登録実験を行い、前者の質問に部分的に回答し、ベンチマークソリューションを提供する。 本研究の結果は, パッチベースMLP/Transformerモデルを用いて, 心エコー図記録に有効であることを示すものである。 人気のあるcnn登録モデルと同等で、さらに優れた登録性能を示している。 特にパッチベースのモデルは、ジャコビアン行列式の観点から体積変化を保存し、従って非現実的な変形が少なくロバストな登録フィールドを生成する。 提案手法は,注意であろうとなかろうと,適切な時間と空間の複雑さを伴って,高性能な教師なし登録作業を行うことができることを示す。 私たちのコードはhttps://gitlab.inria.fr/epione/mlp\_transformer\_registrationで利用可能です。

関連論文リスト

• Progressive Retinal Image Registration via Global and Local Deformable Transformations [49.032894312826244]
  我々はHybridRetinaと呼ばれるハイブリッド登録フレームワークを提案する。 キーポイント検出器とGAMorphと呼ばれる変形ネットワークを用いて、大域的な変換と局所的な変形可能な変換を推定する。 FIREとFLoRI21という2つの広く使われているデータセットの実験により、提案したHybridRetina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） (2024-09-02T08:43:50Z)
• Correlation-aware Coarse-to-fine MLPs for Deformable Medical Image Registration [12.011187308375318]
  変形可能な医用画像登録のための相関対応登録ネットワーク(CorrMLP)を提案する。 当社のCorrMLPでは,新しい粗大な登録アーキテクチャにおいて,相関性を考慮したマルチウィンドウブロックを導入している。 7つの公開医療データセットによる実験により、私たちのCorrMLPは最先端の変形可能な登録方法よりも優れています。
  論文  参考訳（メタデータ） (2024-05-31T18:25:23Z)
• 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)
• Anatomy-aware and acquisition-agnostic joint registration with SynthMorph [6.017634371712142]
  アフィン画像登録は、医用画像解析の基盤となっている。 ディープラーニング(DL)メソッドは、画像対を出力変換にマッピングする関数を学ぶ。 ほとんどのアフィン法は、ユーザが調整したい解剖学に依存しない。つまり、アルゴリズムが画像のすべての構造を考慮すれば、登録は不正確なものになる。 われわれはこれらの欠点をSynthMorphで解決する。これは高速で対称で、微分型で使い易いDLツールで、任意の脳画像の関節アフィン変形性登録を行う。
  論文  参考訳（メタデータ） (2023-01-26T18:59:33Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
  ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。 本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。 本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-07-09T13:35:59Z)
• CAR-Net: Unsupervised Co-Attention Guided Registration Network for Joint Registration and Structure Learning [73.03885837923599]
  我々は,新しい深層学習ネットワークCAR-Net(Co-Attention Guided Registration Network)を提案する。 CAR-Netはコアテンションブロックを用いて入力の新しい表現を学習し、固定画像と移動画像の登録を駆動する。 イギリスバイオバンクの心臓磁気共鳴画像データを用いた実験により、CAR-Netは最先端の教師なし登録法よりも高い登録精度とスムーズな変形場が得られることが示された。
  論文  参考訳（メタデータ） (2021-06-11T23:25:49Z)
• A low-rank representation for unsupervised registration of medical images [10.499611180329804]
  本稿では,低ランク表現,すなわちRegnet-LRRに基づく新しい手法を提案する。 低ランク表現は、モデルの能力と堅牢性を高め、ノイズの多いデータ登録シナリオにおいて大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-05-20T07:04:10Z)
• Attention for Image Registration (AiR): an unsupervised Transformer approach [7.443843354775884]
  変形可能な画像登録問題に注意機構を導入する。 提案手法は,GPGPUデバイス上で効率的にトレーニング可能なTransformerフレームワークであるAiRをベースとしている。 この方法は教師なしの変形マップを学習し、2つのベンチマークデータセットでテストする。
  論文  参考訳（メタデータ） (2021-05-05T18:49:32Z)
• Test-Time Training for Deformable Multi-Scale Image Registration [15.523457398508263]
  VoxelMorphのようなディープラーニングベースの登録アプローチが出現し、競争パフォーマンスを達成しています。 従来の学習型登録モデルの一般化能力を向上させるために, デフォーマブル画像登録のためのテストタイムトレーニングを構築した。
  論文  参考訳（メタデータ） (2021-03-25T03:22:59Z)

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。