論文の概要: Sliding at first order: Higher-order momentum distributions for discontinuous image registration

• arxiv url: http://arxiv.org/abs/2303.07744v1
• Date: Tue, 14 Mar 2023 09:42:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-15 15:38:43.431318
• Title: Sliding at first order: Higher-order momentum distributions for discontinuous image registration
• Title（参考訳）: 1次スライディング:不連続画像登録のための高次運動量分布
• Authors: Lili Bao, Jiahao Lu, Shihui Ying, Stefan Sommer
• Abstract要約: そこで本研究では,すべり動作をキャプチャする変形可能な画像登録手法を提案する。 大規模変形微分型メートル法 (LDDMM) の登録法は, 平滑な反りを生じるため, すべり運動の表現が困難である。
• 参考スコア（独自算出の注目度）: 5.987650121126747
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a new approach to deformable image registration that captures sliding motions. The large deformation diffeomorphic metric mapping (LDDMM) registration method faces challenges in representing sliding motion since it per construction generates smooth warps. To address this issue, we extend LDDMM by incorporating both zeroth- and first-order momenta with a non-differentiable kernel. This allows to represent both discontinuous deformation at switching boundaries and diffeomorphic deformation in homogeneous regions. We provide a mathematical analysis of the proposed deformation model from the viewpoint of discontinuous systems. To evaluate our approach, we conduct experiments on both artificial images and the publicly available DIR-Lab 4DCT dataset. Results show the effectiveness of our approach in capturing plausible sliding motion.
• Abstract（参考訳）: 本稿では,スライディング動作をキャプチャする変形可能な画像登録手法を提案する。 large deformation diffeomorphic metric mapping (lddmm) の登録手法は,スライディング動作を表現する際の課題に直面している。 この問題に対処するため、ゼロと1階のモータを非微分可能なカーネルに組み込むことで LDDMM を拡張した。 これにより、スイッチング境界における不連続な変形と均質領域における微分同相変形の両方を表現することができる。 不連続系の観点から,提案した変形モデルの数学的解析を行う。 提案手法を評価するため,DIR-Lab 4DCTデータセットと人工画像を用いた実験を行った。 以上の結果から,本手法の有効性が示唆された。

関連論文リスト

• Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
  確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。 本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:02:33Z)
• Unsupervised diffeomorphic cardiac image registration using parameterization of the deformation field [6.343400988017304]
  本研究では,移動メッシュパラメータ化に基づくエンドツーエンドの非教師付き微分同相変形型登録フレームワークを提案する。 提案手法の有効性を,2次元および3次元心臓MRIスキャンを含む3つの異なるデータセット上で評価することにより検討した。
  論文  参考訳（メタデータ） (2022-08-28T19:34:10Z)
• Animation from Blur: Multi-modal Blur Decomposition with Motion Guidance [83.25826307000717]
  単一の動き赤画像から詳細な動きを復元する際の課題について検討する。 既存の解法では、各領域の運動のあいまいさを考慮せずに単一の画像列を推定する。 本稿では、このような動きのあいまいさを明示的に説明し、複数の可算解をシャープな詳細で生成することができる。
  論文  参考訳（メタデータ） (2022-07-20T18:05:53Z)
• 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)
• Moment evolution equations and moment matching for stochastic image EPDiff [68.97335984455059]
  画像変形モデルにより、画像領域を変形させることにより、時間連続的な画像変換の研究が可能になる。 応用例としては、人口傾向とランダムな被写体特定変異の両方を用いた医療画像分析がある。 パラメータフルモデルにおける統計的推測のための推定器を構築するために、対応する伊藤拡散のモーメント近似を用いる。
  論文  参考訳（メタデータ） (2021-10-07T11:08:11Z)
• Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration [63.15453821022452]
  ディープラーニングに基づくアプローチの最近の発展は、DiffIRのサブ秒間実行を実現している。 本稿では,中間定常速度場を機能的に構成する簡易な反復スキームを提案する。 次に、任意の順序の正規化項を用いて、これらの速度場に滑らかさを課す凸最適化モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-26T19:56:45Z)
• Image Deformation Estimation via Multi-Objective Optimization [13.159751065619544]
  自由形変形モデルは、画像上の制御点格子を操作することにより、幅広い非剛体変形を表現することができる。 フィットネスランドスケープの複雑さのため,変形画像にモデルを直接適合させることは困難である。
  論文  参考訳（メタデータ） (2021-06-08T06:52:12Z)
• Joint Estimation of Image Representations and their Lie Invariants [57.3768308075675]
  画像は世界の状態とコンテンツの両方をエンコードする。 この情報の自動抽出は、画像表現に固有の高次元かつ絡み合った符号化のために困難である。 本稿では,これらの課題の解決を目的とした2つの理論的アプローチを紹介する。
  論文  参考訳（メタデータ） (2020-12-05T00:07:41Z)
• A method for large diffeomorphic registration via broken geodesics [3.2188961353850187]
  長手データやオブジェクト間データに見られる解剖学的変動は通常、下層の変形によって記述される。 非剛性登録アルゴリズムは広く登録に使われている。 小変形の有限組成に大変形を分解する手法を提案する。
  論文  参考訳（メタデータ） (2020-11-29T06:14:53Z)
• Deep Learning for Regularization Prediction in Diffeomorphic Image Registration [8.781861951759948]
  微分同相変換の滑らかさを制御するパラメータを自動的に決定する新しいフレームワークを導入する。 画像登録の正規化パラメータとペア画像間のマッピングを学習する深層畳み込みニューラルネットワーク(CNN)に基づく予測モデルを開発した。 実験結果から,本モデルは画像登録のための適切な正規化パラメータを予測できるだけでなく,時間とメモリ効率の面でネットワークトレーニングを改善することが示唆された。
  論文  参考訳（メタデータ） (2020-11-28T22:56:44Z)
• 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。