論文の概要: WarpPINN: Cine-MR image registration with physics-informed neural networks

• arxiv url: http://arxiv.org/abs/2211.12549v1
• Date: Tue, 22 Nov 2022 19:48:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 14:57:57.643963
• Title: WarpPINN: Cine-MR image registration with physics-informed neural networks
• Title（参考訳）: WarpPINN:物理インフォームドニューラルネットワークを用いたCine-MR画像の登録
• Authors: Pablo Arratia L\'opez, Hern\'an Mella, Sergio Uribe, Daniel E. Hurtado, Francisco Sahli Costabal
• Abstract要約: 心不全は通常、放出率などの大域的機能評価と診断される。 我々は物理インフォームドニューラルネットワークであるWarpPINNを導入し、画像登録を行い、心臓変形の局所的測定値を得る。
• 参考スコア（独自算出の注目度）: 2.338246743809955
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Heart failure is typically diagnosed with a global function assessment, such as ejection fraction. However, these metrics have low discriminate power, failing to distinguish different types of this disease. Quantifying local deformations in the form of cardiac strain can provide helpful information, but it remains a challenge. In this work, we introduce WarpPINN, a physics-informed neural network to perform image registration to obtain local metrics of the heart deformation. We apply this method to cine magnetic resonance images to estimate the motion during the cardiac cycle. We inform our neural network of near-incompressibility of cardiac tissue by penalizing the jacobian of the deformation field. The loss function has two components: an intensity-based similarity term between the reference and the warped template images, and a regularizer that represents the hyperelastic behavior of the tissue. The architecture of the neural network allows us to easily compute the strain via automatic differentiation to assess cardiac activity. We use Fourier feature mappings to overcome the spectral bias of neural networks, allowing us to capture discontinuities in the strain field. We test our algorithm on a synthetic example and on a cine-MRI benchmark of 15 healthy volunteers. We outperform current methodologies both landmark tracking and strain estimation. We expect that WarpPINN will enable more precise diagnostics of heart failure based on local deformation information. Source code is available at https://github.com/fsahli/WarpPINN.
• Abstract（参考訳）: 心不全は通常、射出率などのグローバル機能評価と診断される。 しかし、これらの指標は判別能力が低く、異なるタイプの疾患を区別することができない。 心ひずみの形で局所的な変形を定量化することは有用な情報を提供するが、依然として課題である。 本研究では,物理インフォームドニューラルネットワークであるWarpPINNを導入し,画像登録を行い,心臓変形の局所的指標を求める。 本手法を磁気共鳴画像に応用して心循環中の運動を推定する。 変形磁場のジャコビアンをペナルティ化することにより, 心臓組織のほぼ非圧縮性を神経ネットワークに通知する。 損失関数は、基準と歪んだテンプレート画像との間の強度に基づく類似項と、組織の超弾性挙動を表す正則化器の2つの構成要素を有する。 ニューラルネットワークのアーキテクチャは、心臓活動を評価するために自動的に分化することで、ストレインを容易に計算できる。 ニューラルネットワークのスペクトルバイアスを克服するためにフーリエ特徴写像を使用し、ひずみ場における不連続を捉えることができる。 本アルゴリズムを合成例とシネmriベンチマークを用いて15名の健常者を対象にテストした。 我々は、ランドマーク追跡とひずみ推定の両方において、現在の手法より優れている。 WarpPINNは局所的な変形情報に基づいて心不全のより正確な診断を可能にすると期待している。 ソースコードはhttps://github.com/fsahli/WarpPINNで入手できる。

関連論文リスト

• Neural Fields for Adaptive Photoacoustic Computed Tomography [5.561325645559409]
  従来のPACT画像再構成アルゴリズムは、組織内の異種音速(SOS)による波面歪みに悩まされる。 NF-APACTは、ニューラルネットワークを利用した効率的な自己教師型フレームワークであり、正確で堅牢なマルチチャネルデコンボリューションを実現するためのSOSを推定する。 本手法は,SOSの収差を既存手法よりも高速かつ高精度に除去する。
  論文  参考訳（メタデータ） (2024-09-17T04:11:20Z)
• Learning Low-Rank Feature for Thorax Disease Classification [7.447448767095787]
  本稿では胸部疾患分類について検討する。 疾患領域の特徴の効果的な抽出は, 放射線画像上の疾患分類に不可欠である。 本稿では,Low-Rank Feature Learning (LRFL)法を提案する。
  論文  参考訳（メタデータ） (2024-02-14T15:35:56Z)
• Implicit Neural Networks with Fourier-Feature Inputs for Free-breathing Cardiac MRI Reconstruction [21.261567937245808]
  本研究は、心臓を暗黙のニューラルネットワークで表現し、心臓の表現が測定値と整合するようにネットワークを適合させる再構築手法を提案する。 提案手法は,最先端の未訓練畳み込みニューラルネットワークと同等あるいはわずかに優れた画像品質を実現する。
  論文  参考訳（メタデータ） (2023-05-11T14:14:30Z)
• Benign Overfitting for Two-layer ReLU Convolutional Neural Networks [60.19739010031304]
  ラベルフリップ雑音を持つ2層ReLU畳み込みニューラルネットワークを学習するためのアルゴリズム依存型リスクバウンダリを確立する。 緩やかな条件下では、勾配降下によってトレーニングされたニューラルネットワークは、ほぼゼロに近いトレーニング損失とベイズ最適試験リスクを達成できることを示す。
  論文  参考訳（メタデータ） (2023-03-07T18:59:38Z)
• Graph Neural Networks with Trainable Adjacency Matrices for Fault Diagnosis on Multivariate Sensor Data [69.25738064847175]
  各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。 グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。 グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-10-20T11:03:21Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Combining Scatter Transform and Deep Neural Networks for Multilabel Electrocardiogram Signal Classification [0.6117371161379209]
  我々は、深い残留ニューラルネットワーク(ResNet)に、散乱変換と呼ばれる複素ウェーブレット変換の変種を組み込む。 このアプローチでは、挑戦検証スコアが0.640、完全テストスコアが0.485となり、公式ランキングで41中4位になった。
  論文  参考訳（メタデータ） (2020-10-15T10:13:31Z)
• Domain-Adversarial Learning for Multi-Centre, Multi-Vendor, and Multi-Disease Cardiac MR Image Segmentation [3.4551186283197883]
  ドメイン逆学習は、ラベル付きおよび非ラベル付きデータを使用して、ドメイン不変の2D U-Netをトレーニングするために使用される。 このアプローチは、M&Msチャレンジデータセットから、目に見えない領域と見えない領域の両方で評価される。
  論文  参考訳（メタデータ） (2020-08-26T19:40:55Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis [49.05541693243502]
  グラフ同型ネットワーク(GIN)を用いてfMRIデータを解析するフレームワークを開発する。 本稿では,GINがグラフ空間における畳み込みニューラルネットワーク(CNN)の二重表現であることを示す。 我々は,提案したGINをワンホット符号化で調整するGNNに対して,CNNベースのサリエンシマップ技術を利用する。
  論文  参考訳（メタデータ） (2020-01-10T23:40:09Z)

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。