論文の概要: MetaRegNet: Metamorphic Image Registration Using Flow-Driven Residual Networks

• arxiv url: http://arxiv.org/abs/2303.09088v1
• Date: Thu, 16 Mar 2023 05:24:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-17 16:47:01.553348
• Title: MetaRegNet: Metamorphic Image Registration Using Flow-Driven Residual Networks
• Title（参考訳）: MetaRegNet:フロー駆動残差ネットワークを用いた変成画像登録
• Authors: Ankita Joshi and Yi Hong
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.781678712645597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning based methods provide efficient solutions to medical image registration, including the challenging problem of diffeomorphic image registration. However, most methods register normal image pairs, facing difficulty handling those with missing correspondences, e.g., in the presence of pathology like tumors. We desire an efficient solution to jointly account for spatial deformations and appearance changes in the pathological regions where the correspondences are missing, i.e., finding a solution to metamorphic image registration. Some approaches are proposed to tackle this problem, but they cannot properly handle large pathological regions and deformations around pathologies. In this paper, we propose a deep metamorphic image registration network (MetaRegNet), which adopts time-varying flows to drive spatial diffeomorphic deformations and generate intensity variations. We evaluate MetaRegNet on two datasets, i.e., BraTS 2021 with brain tumors and 3D-IRCADb-01 with liver tumors, showing promising results in registering a healthy and tumor image pair. The source code is available online.
• Abstract（参考訳）: 深層学習に基づく手法は、二相性画像登録の難解な問題を含む、医療画像登録の効率的な解決策を提供する。 しかし、ほとんどの手法は正常な画像対を登録し、例えば腫瘍のような病理の存在下では、不一致の文字を扱うのが困難である。 我々は, 対応の欠如する病理領域において, 空間的変形と外観変化を共同で考慮し, メタモルフィック画像登録の解を求める。 この問題に取り組むためにいくつかのアプローチが提案されているが、病理の周りの大きな病理領域や変形を適切に扱うことはできない。 本稿では,時間変動流を利用して空間的2相変形を駆動し,強度変動を発生させるディープメタモルフィック画像登録ネットワーク(metaregnet)を提案する。 脳腫瘍はbrats 2021、肝腫瘍は3d-ircadb-01の2つのデータセットでmetaregnetを評価し、健康と腫瘍画像のペアを登録する有望な結果を示した。 ソースコードはオンラインで入手できる。

関連論文リスト

• UGformer for Robust Left Atrium and Scar Segmentation Across Scanners [12.848774186557403]
  医用画像セグメンテーション(UGformer)のための新しいフレームワークを提案する。 U-Netから派生した新しいトランスフォーマーブロック、GCNブリッジ、畳み込みデコーダを統一し、左心房(LA)とLAの傷痕を予測する。 提案されたUGformerモデルは、LAScarQS 2022データセットに左心房と傷痕を分割する優れた能力を示す。
  論文  参考訳（メタデータ） (2022-10-11T05:11:11Z)
• ACSGRegNet: A Deep Learning-based Framework for Unsupervised Joint Affine and Diffeomorphic Registration of Lumbar Spine CT via Cross- and Self-Attention Fusion [4.068962439293273]
  本研究では,医用画像登録のためのエンドツーエンドの深層学習フレームワークを提案する。 ACSGRegNetは、画像間特徴対応を確立するクロスアテンションモジュールと、画像内解剖学的構造を認識する自己アテンションモジュールを統合する。 我々の手法は平均Dice 0.963 と平均距離誤差 0.321mm を達成し,SOTA (State-of-the-art) よりも優れている。
  論文  参考訳（メタデータ） (2022-08-04T13:13:48Z)
• AlignTransformer: Hierarchical Alignment of Visual Regions and Disease Tags for Medical Report Generation [50.21065317817769]
  本稿では,Align Hierarchical Attention (AHA)とMulti-Grained Transformer (MGT)モジュールを含むAlign Transformerフレームワークを提案する。 パブリックなIU-XrayとMIMIC-CXRデータセットの実験は、AlignTransformerが2つのデータセットの最先端メソッドと競合する結果が得られることを示している。
  論文  参考訳（メタデータ） (2022-03-18T13:43:53Z)
• 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)
• A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
  ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。 本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。 本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-07-09T13:35:59Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)
• Large Deformation Diffeomorphic Image Registration with Laplacian Pyramid Networks [11.4219428942199]
  本稿では,画像登録最適化問題を解くために,ラプラシアンピラミッド画像登録ネットワークを提案する。 提案手法は, 良好な微分特性と有望な登録速度を維持しつつ, 既存の手法よりも有意なマージンで性能を向上する。
  論文  参考訳（メタデータ） (2020-06-29T16:10:40Z)
• An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
  本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。 本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。 現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-19T06:00:13Z)
• 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。