論文の概要: Spatial Correspondence between Graph Neural Network-Segmented Images
- arxiv url: http://arxiv.org/abs/2303.06550v1
- Date: Sun, 12 Mar 2023 03:25:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 18:25:13.321910
- Title: Spatial Correspondence between Graph Neural Network-Segmented Images
- Title（参考訳）: グラフニューラルネットワーク分割画像間の空間対応
- Authors: Qian Li, Yunguan Fu, Qianye Yang, Zhijiang Du, Hongjian Yu, Yipeng Hu
- Abstract要約: 医用画像分割のためのグラフニューラルネットワーク(GNN)が提案されている。
本研究は,空間対応を確立するための共通トポロジを用いて,これらのGNNのポテンシャルについて検討する。
CT画像における局所椎体サブリージョンの登録例を例に,GNNをベースとしたセグメンテーションが正確かつ信頼性の高いローカライゼーションを実現することを示す実験結果を得た。
- 参考スコア（独自算出の注目度）: 1.807691213023136
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) have been proposed for medical image
segmentation, by predicting anatomical structures represented by graphs of
vertices and edges. One such type of graph is predefined with fixed size and
connectivity to represent a reference of anatomical regions of interest, thus
known as templates. This work explores the potentials in these GNNs with common
topology for establishing spatial correspondence, implicitly maintained during
segmenting two or more images. With an example application of registering local
vertebral sub-regions found in CT images, our experimental results showed that
the GNN-based segmentation is capable of accurate and reliable localization of
the same interventionally interesting structures between images, not limited to
the segmentation classes. The reported average target registration errors of
2.2$\pm$1.3 mm and 2.7$\pm$1.4 mm, for aligning holdout test images with a
reference and for aligning two test images, respectively, were by a
considerable margin lower than those from the tested non-learning and
learning-based registration algorithms. Further ablation studies assess the
contributions towards the registration performance, from individual components
in the originally segmentation-purposed network and its training algorithm. The
results highlight that the proposed segmentation-in-lieu-of-registration
approach shares methodological similarities with existing registration methods,
such as the use of displacement smoothness constraint and point distance
minimization albeit on non-grid graphs, which interestingly yielded benefits
for both segmentation and registration. We, therefore, conclude that the
template-based GNN segmentation can effectively establish spatial
correspondence in our application, without any other dedicated registration
algorithms.
- Abstract（参考訳）: 頂点と辺のグラフで表される解剖学的構造を予測することにより、医用画像セグメンテーションのためにグラフニューラルネットワーク(GNN)が提案されている。
そのようなグラフの1つは、関心のある解剖学的領域の参照を表すために、固定サイズと接続性で事前に定義されている。
この研究は、2つ以上の画像のセグメント化中に暗黙的に維持される空間対応を確立するための共通トポロジを持つこれらのGNNのポテンシャルを探求する。
CT画像における局所椎体サブリージョンの登録例を例に,GNNをベースとしたセグメンテーションは,セグメンテーションクラスに限らず,画像間の干渉的に興味深い構造を精度良く,信頼性の高い位置決めが可能であることを実験的に示した。
平均目標登録誤差は2.2$\pm$1.3 mmと2.7$\pm$1.4 mmで、ホールドアウトテストイメージを基準に整列させ、2つのテストイメージを整列させることは、試験された非学習および学習ベースの登録アルゴリズムよりもかなり低かった。
さらなるアブレーション研究は、もともとセグメンテーション目的のネットワークの個々のコンポーネントとそのトレーニングアルゴリズムから、登録パフォーマンスへの貢献を評価する。
提案手法は,非グリッドグラフ上での変位平滑性制約や点距離最小化など,既存の登録手法と方法論的類似性を共有しており,セグメンテーションと登録の両方に有益であった。
したがって、テンプレートベースのGNNセグメンテーションは、他の専用の登録アルゴリズムを使わずに、アプリケーション内の空間対応を効果的に確立できる。
関連論文リスト
- SAMReg: SAM-enabled Image Registration with ROI-based Correspondence [12.163299991979574]
本稿では,医療用画像登録のための対の関心領域(ROI)に基づく新しい空間対応表現について述べる。
我々は,トレーニング(あるいはトレーニングデータ)や勾配に基づく微調整,即時的なエンジニアリングを必要としない新しい登録アルゴリズムSAMRegを開発した。
提案手法は,試験指標間でのインテンシティベース反復アルゴリズムとDDF予測学習ベースネットワークより優れている。
論文 参考訳（メタデータ） (2024-10-17T23:23:48Z) - One registration is worth two segmentations [12.163299991979574]
画像登録の目的は、2つ以上の画像間の空間的対応を確立することである。
そこで我々は,より直感的な対応表現として,対応する関心領域(ROI)ペアの集合を提案する。
提案したSAMRegは複数のROIペアのセグメンテーションとマッチングが可能であることを示す。
論文 参考訳（メタデータ） (2024-05-17T16:14:32Z) - Unsupervised Segmentation of Fetal Brain MRI using Deep Learning
Cascaded Registration [2.494736313545503]
従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。
ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。
提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
論文 参考訳（メタデータ） (2023-07-07T13:17:12Z) - Joint segmentation and discontinuity-preserving deformable registration:
Application to cardiac cine-MR images [74.99415008543276]
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。
論文 参考訳（メタデータ） (2022-11-24T23:45:01Z) - 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) - Few-shot image segmentation for cross-institution male pelvic organs
using registration-assisted prototypical learning [13.567073992605797]
本研究は,医用画像のための最初の3D画像間セグメンテーションネットワークを提案する。
興味のある8つの領域を持つ前立腺がん患者のラベル付き多施設データセットを使用する。
内蔵登録機構は、被験者間の一貫性のある解剖学の事前知識を効果的に活用することができる。
論文 参考訳（メタデータ） (2022-01-17T11:44:10Z) - Learning Hierarchical Graph Representation for Image Manipulation
Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。
最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。
本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文 参考訳（メタデータ） (2022-01-15T01:54:25Z) - PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia
Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。
PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。
このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文 参考訳（メタデータ） (2021-08-09T04:58:23Z) - Uncertainty-Based Dynamic Graph Neighborhoods For Medical Segmentation [0.0]
セグメンテーションの結果の処理と精錬は、セグメンテーションネットワークから派生した誤分類を減らすための一般的な手法である。
グラフベースのアプローチでは、グラフ内の特定の不確実点を利用し、小さなグラフ畳み込みネットワーク(GCN)に従ってセグメンテーションを洗練する。
本稿では,特徴距離に応じた新しい隣人選択機構を提案し,トレーニング手順における2つのネットワークの組み合わせを提案する。
論文 参考訳（メタデータ） (2021-08-06T13:39:35Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z)
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。