論文の概要: Joint segmentation and discontinuity-preserving deformable registration:
Application to cardiac cine-MR images
- arxiv url: http://arxiv.org/abs/2211.13828v1
- Date: Thu, 24 Nov 2022 23:45:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 16:55:13.727601
- Title: Joint segmentation and discontinuity-preserving deformable registration:
Application to cardiac cine-MR images
- Title（参考訳）: 関節セグメンテーションと不連続保存変形性レジストレーション:心血管MRI画像への応用
- Authors: Xiang Chen, Yan Xia, Nishant Ravikumar, Alejandro F Frangi
- Abstract要約: 多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。
本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。
入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。
大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
- 参考スコア（独自算出の注目度）: 74.99415008543276
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image registration is a challenging task involving the estimation of
spatial transformations to establish anatomical correspondence between pairs or
groups of images. Recently, deep learning-based image registration methods have
been widely explored, and demonstrated to enable fast and accurate image
registration in a variety of applications. However, most deep learning-based
registration methods assume that the deformation fields are smooth and
continuous everywhere in the image domain, which is not always true, especially
when registering images whose fields of view contain discontinuities at
tissue/organ boundaries. In such scenarios, enforcing smooth, globally
continuous deformation fields leads to incorrect/implausible registration
results. We propose a novel discontinuity-preserving image registration method
to tackle this challenge, which ensures globally discontinuous and locally
smooth deformation fields, leading to more accurate and realistic registration
results. The proposed method leverages the complementary nature of image
segmentation and registration and enables joint segmentation and pair-wise
registration of images. A co-attention block is proposed in the segmentation
component of the network to learn the structural correlations in the input
images, while a discontinuity-preserving registration strategy is employed in
the registration component of the network to ensure plausibility in the
estimated deformation fields at tissue/organ interfaces. We evaluate our method
on the task of intra-subject spatio-temporal image registration using
large-scale cinematic cardiac magnetic resonance image sequences, and
demonstrate that our method achieves significant improvements over the
state-of-the-art for medical image registration, and produces high-quality
segmentation masks for the regions of interest.
- Abstract（参考訳）: 医用画像登録は、画像のペアまたはグループ間の解剖学的対応を確立するための空間的変換の推定を伴う困難なタスクである。
近年,ディープラーニングに基づく画像登録手法が広く研究され,様々なアプリケーションにおいて高速かつ正確な画像登録を可能にすることが実証されている。
しかし、深層学習に基づく登録手法の多くは、変形場が画像領域の至るところで滑らかかつ連続的であると仮定しているが、特に組織/組織境界における不連続性を含む画像の登録においては、必ずしもそうではない。
このようなシナリオでは、滑らかでグローバルに連続した変形場を強制することは、不正確な登録結果をもたらす。
本稿では,この課題に取り組むために,不連続かつ局所的な変形場をグローバルに確保し,より正確かつ現実的な登録結果を得る新しい不連続性保存画像登録手法を提案する。
提案手法は,画像の分割と登録の相補的性質を活かし,画像のジョイントセグメンテーションとペアワイズ登録を可能にする。
ネットワークのセグメンテーション成分にコアテンションブロックを提案し、入力画像の構造的相関を学習し、ネットワークの登録成分には不連続保存登録戦略を用い、組織/組織界面における推定変形場の妥当性を確保する。
本手法は,大規模磁気共鳴画像配列を用いたサブジェクト時空間画像登録の課題を評価し,医用画像登録の最先端技術よりも大幅に改善し,興味のある領域に高品質のセグメンテーションマスクを作製できることを実証する。
関連論文リスト
- Co-Learning Semantic-aware Unsupervised Segmentation for Pathological
Image Registration [13.551672729289265]
本稿では,病理画像登録のための新しい教師なしアプローチであるGIRNetを提案する。
病理画像の登録は、完全に教師なしの学習フレームワークで達成される。
以上の結果から,本手法は画像診断に難渋した場合でも,病理像の登録と病変の同定を正確に行うことが可能であることが示唆された。
論文 参考訳（メタデータ） (2023-10-17T07:13:28Z) - Learning Homeomorphic Image Registration via Conformal-Invariant
Hyperelastic Regularisation [9.53064372566798]
共形不変性に基づく変形可能な画像登録のための新しいフレームワークを提案する。
我々の正規化器は、変形場が滑らかで、可逆で、配向保存されるように強制する。
我々は,数値的および視覚的な実験を通じて,我々のフレームワークが現在の画像登録技術より優れていることを実証した。
論文 参考訳（メタデータ） (2023-03-14T17:47:18Z) - Structure-aware registration network for liver DCE-CT images [50.28546654316009]
セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。
提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
論文 参考訳（メタデータ） (2023-03-08T14:08:56Z) - 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) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration [34.546992605648086]
サイクル整合性は、変形中のトポロジを保存するために暗黙の正規化を提供することで、画像登録性能を向上させる。
医学的・非医学的な応用から得られた様々なデータセットに対する実験結果から,提案手法は,数秒以内に多様な画像対を効果的かつ正確に登録できることを示した。
論文 参考訳（メタデータ） (2020-08-13T09:30:12Z) - An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。
本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。
現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
論文 参考訳（メタデータ） (2020-05-19T06:00:13Z) - Learning Deformable Registration of Medical Images with Anatomical
Constraints [4.397224870979238]
医用画像解析の分野では、変形可能な画像登録が根本的な問題である。
我々は,画像解剖学のグローバルな非線形表現をセグメンテーションマスクを用いて学習し,それらを用いて登録プロセスの制約を行う。
実験により,提案した解剖学的制約付き登録モデルにより,最先端の手法よりも現実的で正確な結果が得られることが示された。
論文 参考訳（メタデータ） (2020-01-20T17:44:11Z)
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。