論文の概要: MOREA: a GPU-accelerated Evolutionary Algorithm for Multi-Objective
Deformable Registration of 3D Medical Images
- arxiv url: http://arxiv.org/abs/2303.04873v1
- Date: Wed, 8 Mar 2023 20:26:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 16:57:28.180163
- Title: MOREA: a GPU-accelerated Evolutionary Algorithm for Multi-Objective
Deformable Registration of 3D Medical Images
- Title(参考訳): MOREA:3次元医用画像の多目的変形登録のためのGPU加速進化アルゴリズム
- Authors: Georgios Andreadis, Peter A.N. Bosman and Tanja Alderliesten
- Abstract要約: 大規模な変形に対処可能な3次元画像の変形可能な登録のための,最初の進化的アルゴリズムに基づくアプローチであるMOREAを提案する。
MOREAには物理可視性のための3Dバイオメカニカルメッシュモデルが含まれており、完全にGPUアクセラレーションされている。
頸部癌4例の腹部CT検査におけるMOREA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): 0.7734726150561088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Finding a realistic deformation that transforms one image into another, in
case large deformations are required, is considered a key challenge in medical
image analysis. Having a proper image registration approach to achieve this
could unleash a number of applications requiring information to be transferred
between images. Clinical adoption is currently hampered by many existing
methods requiring extensive configuration effort before each use, or not being
able to (realistically) capture large deformations. A recent multi-objective
approach that uses the Multi-Objective Real-Valued Gene-pool Optimal Mixing
Evolutionary Algorithm (MO-RV-GOMEA) and a dual-dynamic mesh transformation
model has shown promise, exposing the trade-offs inherent to image registration
problems and modeling large deformations in 2D. This work builds on this
promise and introduces MOREA: the first evolutionary algorithm-based
multi-objective approach to deformable registration of 3D images capable of
tackling large deformations. MOREA includes a 3D biomechanical mesh model for
physical plausibility and is fully GPU-accelerated. We compare MOREA to two
state-of-the-art approaches on abdominal CT scans of 4 cervical cancer
patients, with the latter two approaches configured for the best results per
patient. Without requiring per-patient configuration, MOREA significantly
outperforms these approaches on 3 of the 4 patients that represent the most
difficult cases.
- Abstract(参考訳): 大きな変形が必要な場合、ある画像を別の画像に変換する現実的な変形を見つけることは、医用画像分析の重要な課題であると考えられている。
これを実現するための適切な画像登録アプローチを持つことで、画像間で情報を転送する必要のある多くのアプリケーションを解き放つことができる。
現在、臨床導入は、各使用前に広範囲な構成作業を必要とする既存の多くの方法によって妨げられている。
多目的実値遺伝子プール最適混合進化アルゴリズム(MO-RV-GOMEA)とデュアルダイナミックメッシュ変換モデルを用いた最近の多目的的アプローチは、画像登録問題固有のトレードオフを明らかにし、2Dでの大きな変形をモデル化する。
これは、大きな変形に取り組むことができる3dイメージの変形可能な登録を可能にする最初の進化的アルゴリズムベースの多目的アプローチです。
MOREAには物理可視性のための3Dバイオメカニカルメッシュモデルが含まれており、完全にGPUアクセラレーションされている。
頸部癌4例の腹部CT検査におけるMOREAの有用性について検討した。
患者ごとの設定を必要とせず、MOREAは最も難しい4例のうち3例においてこれらのアプローチを著しく上回っている。
関連論文リスト
- Cross-domain and Cross-dimension Learning for Image-to-Graph
Transformers [50.576354045312115]
直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。
画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。
そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
論文 参考訳(メタデータ) (2024-03-11T10:48:56Z) - Promise:Prompt-driven 3D Medical Image Segmentation Using Pretrained
Image Foundation Models [13.08275555017179]
単点プロンプトのみを用いたプロンプト駆動型3次元医用画像分割モデルProMISeを提案する。
今回,大腸癌と膵腫瘍の2つの領域に分布する2つのパブリックデータセットについて検討した。
論文 参考訳(メタデータ) (2023-10-30T16:49:03Z) - 3DSAM-adapter: Holistic Adaptation of SAM from 2D to 3D for Promptable
Medical Image Segmentation [56.50064853710202]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳(メタデータ) (2023-06-23T12:09:52Z) - MedSegDiff-V2: Diffusion based Medical Image Segmentation with
Transformer [53.575573940055335]
我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。
画像の異なる20種類の画像分割作業において,その有効性を検証する。
論文 参考訳(メタデータ) (2023-01-19T03:42:36Z) - 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) - Multi-Objective Dual Simplex-Mesh Based Deformable Image Registration
for 3D Medical Images -- Proof of Concept [0.7734726150561088]
本研究は,単純なメッシュに基づく3次元デュアルダイナミックグリッド変換モデルを用いて,多目的3次元変形可能な画像登録のための最初の手法を提案する。
概念実証プロトタイプは, 総合的, 臨床的な3D登録問題に対して有望な結果を示した。
論文 参考訳(メタデータ) (2022-02-22T16:07:29Z) - Class-Aware Generative Adversarial Transformers for Medical Image
Segmentation [39.14169989603906]
医用画像セグメンテーションのための新規な生成逆変換器CA-GANformerを提案する。
まず、ピラミッド構造を利用してマルチスケール表現を構築し、マルチスケールのバリエーションを扱う。
次に、意味構造を持つオブジェクトの識別領域をよりよく学習するために、新しいクラス対応トランスフォーマーモジュールを設計する。
論文 参考訳(メタデータ) (2022-01-26T03:50:02Z) - DiffuseMorph: Unsupervised Deformable Image Registration Along
Continuous Trajectory Using Diffusion Models [31.826844124173984]
DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。
本モデルは,動画像と固定画像の変形のスコア関数を学習する。
本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
論文 参考訳(メタデータ) (2021-12-09T08:41:23Z) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳(メタデータ) (2020-08-05T02:33:04Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳(メタデータ) (2020-07-09T13:23:15Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳(メタデータ) (2020-04-30T03:23:45Z)
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。