論文の概要: MetaMorph: Learning Metamorphic Image Transformation With Appearance
Changes
- arxiv url: http://arxiv.org/abs/2303.04849v1
- Date: Wed, 8 Mar 2023 19:30:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 17:06:46.214349
- Title: MetaMorph: Learning Metamorphic Image Transformation With Appearance
Changes
- Title(参考訳): MetaMorph: 外観変化を伴うメタモルフィック画像変換の学習
- Authors: Jian Wang, Jiarui Xing, Jason Druzgal, William M. Wells III, and
Miaomiao Zhang
- Abstract要約: 外観変化を伴う画像の登録のための新しい予測モデルMetaMorph(脳腫瘍による画像の登録)を提案する。
本モデルでは, 外観変化領域の負の効果を効果的に抑制できる新しい正規化を導入する。
実際のヒト脳腫瘍MRI画像におけるMetaMorphの有用性について検討した。
- 参考スコア(独自算出の注目度): 7.248454903977972
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a novel predictive model, MetaMorph, for metamorphic
registration of images with appearance changes (i.e., caused by brain tumors).
In contrast to previous learning-based registration methods that have little or
no control over appearance-changes, our model introduces a new regularization
that can effectively suppress the negative effects of appearance changing
areas. In particular, we develop a piecewise regularization on the tangent
space of diffeomorphic transformations (also known as initial velocity fields)
via learned segmentation maps of abnormal regions. The geometric transformation
and appearance changes are treated as joint tasks that are mutually beneficial.
Our model MetaMorph is more robust and accurate when searching for an optimal
registration solution under the guidance of segmentation, which in turn
improves the segmentation performance by providing appropriately augmented
training labels. We validate MetaMorph on real 3D human brain tumor magnetic
resonance imaging (MRI) scans. Experimental results show that our model
outperforms the state-of-the-art learning-based registration models. The
proposed MetaMorph has great potential in various image-guided clinical
interventions, e.g., real-time image-guided navigation systems for tumor
removal surgery.
- Abstract(参考訳): 本稿では,外観変化を伴う画像(すなわち脳腫瘍による画像)のメタモルフィック・レジストレーションのための新しい予測モデルであるmetamorphを提案する。
外観変化に対する制御がほとんどあるいは全くない従来の学習ベース登録法とは対照的に,我々のモデルは外観変化領域の負の効果を効果的に抑制できる新しい正規化を導入する。
特に、異常領域の学習セグメンテーション写像を用いて、微分同相変換(初期速度場とも呼ばれる)の接空間上の部分正規化を開発する。
幾何学的変換と外観変化は相互に有益である共同作業として扱われる。
セグメンテーションの指導の下で最適な登録ソリューションを探索する場合、モデルのメタモルフィックはより堅牢で正確であり、適切な強化されたトレーニングラベルを提供することでセグメンテーション性能を向上させる。
実際の3次元脳腫瘍磁気共鳴画像(mri)による形態変化の検証を行った。
実験の結果,本モデルは最先端の学習ベース登録モデルよりも優れていた。
提案する形態変化は, 腫瘍摘出手術におけるリアルタイム画像誘導ナビゲーションシステムなど, 様々な画像誘導臨床介入において大きな可能性を秘めている。
関連論文リスト
- Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - MetaRegNet: Metamorphic Image Registration Using Flow-Driven Residual
Networks [5.781678712645597]
本稿では,時間変動流を用いた深部メタモルフィック画像登録ネットワーク(MetaRegNet)を提案する。
そこで我々はMetaRegNetを脳腫瘍のBraTS 2021と肝腫瘍の3D-IRCADb-01の2つのデータセットで評価した。
論文 参考訳(メタデータ) (2023-03-16T05:24:13Z) - 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) - MICDIR: Multi-scale Inverse-consistent Deformable Image Registration
using UNetMSS with Self-Constructing Graph Latent [0.0]
本稿ではVoxelmorphアプローチを3つの異なる方法で拡張する。
変形の小さい場合や大きな場合の性能向上のために,マルチスケールのUNetを用いて,解像度の異なるモデルの監視を行った。
脳MRIの登録作業において、提案手法はANTやVoxelMorphよりも大幅に改善された。
論文 参考訳(メタデータ) (2022-03-08T18:07:47Z) - A deep residual learning implementation of Metamorphosis [4.4203363069188475]
本稿では,推論時の計算時間を劇的に削減するメタモルフィズムの残差学習実装を提案する。
また,提案フレームワークは,位相変化の局所化に関する事前知識を容易に統合できることを示す。
提案手法はBraTS 2021データセット上でテストし,脳腫瘍と画像のアライメントにおいて最先端の手法よりも優れていることを示した。
論文 参考訳(メタデータ) (2022-02-01T15:39:34Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳(メタデータ) (2021-11-24T01:14:33Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳(メタデータ) (2021-07-06T14:50:03Z) - A Deep Network for Joint Registration and Reconstruction of Images with
Pathologies [23.482220384665165]
本稿では,脳腫瘍の画像をアトラスに登録する深層学習手法を提案する。
本モデルでは,腫瘍のある画像からアトラスへの画像マッピングを学習し,同時にアトラス空間への変換を予測した。
人工脳腫瘍と実際の脳腫瘍の2つの検査結果から,本手法はアトラスへの登録に要するコスト関数マスキングよりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2020-08-17T21:26:02Z) - Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain
MRI [47.26574993639482]
本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。
ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
論文 参考訳(メタデータ) (2020-06-23T09:20:42Z)
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。