論文の概要: Recurrence With Correlation Network for Medical Image Registration
- arxiv url: http://arxiv.org/abs/2302.02283v1
- Date: Sun, 5 Feb 2023 02:41:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 19:11:54.385199
- Title: Recurrence With Correlation Network for Medical Image Registration
- Title(参考訳): 医用画像登録のための相関ネットワークによる再発
- Authors: Vignesh Sivan, Teodora Vujovic, Raj Ranabhat, Alexander Wong, Stewart
Mclachlin, Michael Hardisty
- Abstract要約: 本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。
これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
- 参考スコア(独自算出の注目度): 66.63200823918429
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present Recurrence with Correlation Network (RWCNet), a medical image
registration network with multi-scale features and a cost volume layer. We
demonstrate that these architectural features improve medical image
registration accuracy in two image registration datasets prepared for the
MICCAI 2022 Learn2Reg Workshop Challenge. On the large-displacement National
Lung Screening Test (NLST) dataset, RWCNet is able to achieve a total
registration error (TRE) of 2.11mm between corresponding keypoints without
instance fine-tuning. On the OASIS brain MRI dataset, RWCNet is able to achieve
an average dice overlap of 81.7% for 35 different anatomical labels. It
outperforms another multi-scale network, the Laplacian Image Registration
Network (LapIRN), on both datasets. Ablation experiments are performed to
highlight the contribution of the various architectural features. While
multi-scale features improved validation accuracy for both datasets, the cost
volume layer and number of recurrent steps only improved performance on the
large-displacement NLST dataset. This result suggests that cost volume layer
and iterative refinement using RNN provide good support for optimization and
generalization in large-displacement medical image registration. The code for
RWCNet is available at
https://github.com/vigsivan/optimization-based-registration.
- Abstract(参考訳): 本稿では,マルチスケール機能とコストボリューム層を有する医用画像登録ネットワークであるcorrelation network (rwcnet) を用いた再発例を示す。
これらのアーキテクチャ機能は,miccai 2022 learn2regワークショップの2つの画像登録データセットにおいて,医療画像登録精度を向上させることを実証する。
NLST(National Lung Screening Test)データセットでは、RWCNetはインスタンスの微調整なしに対応するキーポイント間で2.11mmの総登録誤差(TRE)を達成することができる。
OASIS 脳MRIデータセットでは、RWCNetは35の解剖学的ラベルに対して平均81.7%のダイスオーバーラップを達成することができる。
別のマルチスケールネットワークであるLaplacian Image Registration Network(LapIRN)を両データセットで上回ります。
各種建築特性の寄与を強調するためにアブレーション実験を行った。
マルチスケール機能は両方のデータセットの検証精度を改善したが、コストボリューム層と繰り返しステップの数によって、大きな変位したNLSTデータセットのパフォーマンスが向上しただけだった。
この結果から,RNNを用いたコストボリューム層と反復リファインメントは,大容量医用画像登録における最適化と一般化に有効であることが示唆された。
RWCNetのコードはhttps://github.com/vigsivan/optimization-based-registrationで公開されている。
関連論文リスト
- A lightweight residual network for unsupervised deformable image registration [2.7309692684728617]
本稿では, 並列拡張畳み込みブロックを組み込んだ残差U-Netを提案する。
本手法は患者間およびアトラスに基づくデータセットを用いて評価する。
論文 参考訳(メタデータ) (2024-06-14T07:20:49Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳(メタデータ) (2024-02-27T06:32:56Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳(メタデータ) (2023-12-19T08:14:14Z) - Collaborative Quantization Embeddings for Intra-Subject Prostate MR
Image Registration [13.1575656942321]
本稿では,学習に基づく登録アルゴリズムの改良について述べる。
共同学習辞書を用いて学習した特徴ベクトルを識別する階層的量子化法を提案する。
前立腺癌86例の実際の臨床像216例から, 両成分の有効性について検討した。
論文 参考訳(メタデータ) (2022-07-13T13:32:18Z) - Recurrent Image Registration using Mutual Attention based Network [7.962754216042411]
本稿では,再帰的ネットワークアーキテクチャと相互注意機構を組み合わせた新たな登録ネットワークを提案する。
本ネットワークは肺CT(CT)データセットにおいて最も精度が高く,腹部CTでは様々な大きさの9臓器で最も正確な結果の1つである。
論文 参考訳(メタデータ) (2022-06-04T00:35:14Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳(メタデータ) (2022-04-19T10:41:09Z) - Unsupervised MMRegNet based on Spatially Encoded Gradient Information [16.355832135847276]
多次元医用画像は、標的(臓器、腫瘍、組織)に関連性および相補的な解剖情報を提供することができる
ネットワークトレーニングの堅牢な基準が欠如していることから,マルチモダリティ登録ネットワークの開発は依然として困難である。
本研究では,異なるモダリティを持つ複数の画像を対象画像に共同登録可能なマルチモーダル登録ネットワーク(MMRegNet)を提案する。
論文 参考訳(メタデータ) (2021-05-16T09:47:42Z) - U-Net Based Architecture for an Improved Multiresolution Segmentation in
Medical Images [0.0]
我々は,マルチレゾリューション・フレームワークを用いた画像分割のための完全畳み込みニューラルネットワークを提案している。
提案したアーキテクチャ(mrU-Net)では、入力画像とそのダウンサンプルバージョンをネットワーク入力として使用した。
ネットワークを4つの異なる医療データセットでトレーニングし、テストしました。
論文 参考訳(メタデータ) (2020-07-16T10:19:01Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳(メタデータ) (2020-06-25T12:42:01Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-02-09T14:11:50Z)
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。