論文の概要: 3D Inception-Based TransMorph: Pre- and Post-operative Multi-contrast MRI Registration in Brain Tumors

• arxiv url: http://arxiv.org/abs/2212.04579v1
• Date: Thu, 8 Dec 2022 22:00:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 15:57:27.456297
• Title: 3D Inception-Based TransMorph: Pre- and Post-operative Multi-contrast MRI Registration in Brain Tumors
• Title（参考訳）: 3D Inception-based TransMorph : 脳腫瘍における術前および術後のマルチコントラストMRIレジストレーション
• Authors: Javid Abderezaei, Aymeric Pionteck, Agamdeep Chopra, Mehmet Kurt
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.2234742322758418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deformable image registration is a key task in medical image analysis. The Brain Tumor Sequence Registration challenge (BraTS-Reg) aims at establishing correspondences between pre-operative and follow-up scans of the same patient diagnosed with an adult brain diffuse high-grade glioma and intends to address the challenging task of registering longitudinal data with major tissue appearance changes. In this work, we proposed a two-stage cascaded network based on the Inception and TransMorph models. The dataset for each patient was comprised of a native pre-contrast (T1), a contrast-enhanced T1-weighted (T1-CE), a T2-weighted (T2), and a Fluid Attenuated Inversion Recovery (FLAIR). The Inception model was used to fuse the 4 image modalities together and extract the most relevant information. Then, a variant of the TransMorph architecture was adapted to generate the displacement fields. The Loss function was composed of a standard image similarity measure, a diffusion regularizer, and an edge-map similarity measure added to overcome intensity dependence and reinforce correct boundary deformation. We observed that the addition of the Inception module substantially increased the performance of the network. Additionally, performing an initial affine registration before training the model showed improved accuracy in the landmark error measurements between pre and post-operative MRIs. We observed that our best model composed of the Inception and TransMorph architectures while using an initially affine registered dataset had the best performance with a median absolute error of 2.91 (initial error = 7.8). We achieved 6th place at the time of model submission in the final testing phase of the BraTS-Reg challenge.
• Abstract（参考訳）: 医用画像解析において,変形可能な画像登録は重要な課題である。 脳腫瘍シークエンス登録課題(BraTS-Reg)は、成人脳びまん性高次グリオーマと診断された同一患者の術前スキャンと追跡スキャンの対応を確立することを目的としており、主要な組織外観変化を伴う長手データの登録という課題に取り組むことを目的としている。 本研究では,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。 各患者のデータセットは, ネイティブコントラスト(T1), コントラスト強化T1重み(T1-CE), T2重み(T2)およびFluid Attenuated Inversion Recovery(FLAIR)で構成された。 インセプションモデルは、4つのイメージモダリティを融合させ、最も関連する情報を抽出するために使われた。 その後,TransMorphアーキテクチャの変種を適応して変位場を生成する。 損失関数は, 標準画像類似度尺度, 拡散正規化器, エッジマップ類似度尺度からなり, 強度依存性を克服し, 適切な境界変形を補強した。 その結果,インセプションモジュールの追加によりネットワークの性能が大幅に向上した。 また,訓練前の初期アフィン登録を行うことで,術前MRIと術後MRIのランドマーク誤差の測定精度が向上した。 初期アフィン登録データセットを用いてインセプションとトランスモルフィックアーキテクチャで構成された最良モデルは,平均的な絶対誤差2.91 (初期誤差 = 7.8) で最高の性能を示した。 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。

関連論文リスト

• LDM-Morph: Latent diffusion model guided deformable image registration [2.8195553455247317]
  医用画像登録のための非教師あり変形可能な登録アルゴリズム LDM-Morph を提案する。 潜在拡散モデル(LDM)から抽出したLDM-Morph統合機能を用いて意味情報を強化する。 4つのパブリックな2次元心臓画像データセットに対する大規模な実験により、提案されたLDM-Morphフレームワークは、既存の最先端CNNとTransformersベースの登録方法よりも優れていた。
  論文  参考訳（メタデータ） (2024-11-23T03:04:36Z)
• NestedMorph: Enhancing Deformable Medical Image Registration with Nested Attention Mechanisms [0.0]
  変形可能な画像登録は、異なるモダリティにまたがる非線形な方法で医療画像の整列に不可欠である。 本稿では,Nested Attention Fusion を用いた新たなネットワークであるNestedMorphについて述べる。
  論文  参考訳（メタデータ） (2024-10-03T14:53:42Z)
• Deformation-aware GAN for Medical Image Synthesis with Substantially Misaligned Pairs [0.0]
  本稿では,逆整合性に基づく画像合成における誤りを動的に補正する新しい変形認識型GAN(DA-GAN)を提案する。 実験の結果, DA-GANは, 呼吸運動異常を伴う実世界の肺MRI-CTデータセットと模擬誤診を伴う公共データセットにおいて, 優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-18T10:29:35Z)
• Improving Misaligned Multi-modality Image Fusion with One-stage Progressive Dense Registration [67.23451452670282]
  多モード画像間の相違は、画像融合の課題を引き起こす。 マルチスケールプログレッシブ・センス・レジストレーション方式を提案する。 このスキームは、一段階最適化のみで粗大な登録を行う。
  論文  参考訳（メタデータ） (2023-08-22T03:46:24Z)
• 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)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• 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)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Efficient Learning and Decoding of the Continuous-Time Hidden Markov Model for Disease Progression Modeling [119.50438407358862]
  本稿では,CT-HMMモデルに対する効率的なEMベースの学習手法の完全な特徴付けについて述べる。 EMに基づく学習は、後状態確率の推定と、状態条件付き統計量の計算という2つの課題から成り立っていることを示す。 緑内障データセットとアルツハイマー病データセットを用いて,100以上の状態のCT-HMMを用いて疾患進行の可視化と予測を行う。
  論文  参考訳（メタデータ） (2021-10-26T20:06:05Z)
• Learning Multi-Modal Volumetric Prostate Registration with Weak Inter-Subject Spatial Correspondence [2.6894568533991543]
  MRシークエンスにおける前立腺の位置に関する事前情報のための補助入力をニューラルネットワークに導入する。 MR-TRUS前立腺データのラベルが弱いことから,最先端のディープラーニング手法に匹敵する登録品質を示した。
  論文  参考訳（メタデータ） (2021-02-09T16:48:59Z)
• Bilateral Asymmetry Guided Counterfactual Generating Network for Mammogram Classification [48.4619620405991]
  画像レベルのラベルのみによるマンモグラムの良性や悪性の分類は,病変アノテーションが欠如しているため困難である。 画像に病変がなければ, 特徴がどのように振る舞うかという, 反現実的な問題を探ることができる。 我々は、対称的先行性に基づく反事実生成のための新しい理論的結果を得る。
  論文  参考訳（メタデータ） (2020-09-30T03:15:30Z)

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。