論文の概要: SITReg: Multi-resolution architecture for symmetric, inverse consistent, and topology preserving image registration using deformation inversion layers

• arxiv url: http://arxiv.org/abs/2303.10211v2
• Date: Wed, 24 May 2023 11:30:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 01:53:13.869446
• Title: SITReg: Multi-resolution architecture for symmetric, inverse consistent, and topology preserving image registration using deformation inversion layers
• Title（参考訳）: SITReg:変形反転層を用いた画像登録のための対称・逆整合・位相保存のためのマルチレゾリューションアーキテクチャ
• Authors: Joel Honkamaa and Pekka Marttinen
• Abstract要約: 深層学習に基づく変形可能な医用画像登録法が,古典的反復的登録法の強力な代替手段として登場した。 本稿では,対称性,逆整合性,トポロジ保存による新しいマルチレゾリューション登録アーキテクチャを提案する。 提案手法は,2つのデータセットに対する最先端の登録精度を実現する。
• 参考スコア（独自算出の注目度）: 4.407254732921214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning based deformable medical image registration methods have emerged as a strong alternative for classical iterative registration methods. Since image registration is in general an ill-defined problem, the usefulness of inductive biases of symmetricity, inverse consistency and topology preservation has been widely accepted by the research community. However, while many deep learning registration methods enforce these properties via loss functions, no prior deep learning registration method fulfills all of these properties by construct. Here, we propose a novel multi-resolution registration architecture which is by construct symmetric, inverse consistent, and topology preserving. We also develop an implicit layer for memory efficient inversion of the deformation fields. The proposed method achieves state-of-the-art registration accuracy on two datasets.
• Abstract（参考訳）: 深層学習に基づく変形可能な医用画像登録法が,古典的反復的登録法の強力な代替手段として登場した。 画像登録は一般的に不明確な問題であるため, 対称性, 逆整合性, トポロジー保存の帰納バイアスの有用性は研究コミュニティで広く受け入れられている。 しかし、多くの深層学習登録手法は損失関数を介してこれらの特性を強制するが、事前の深層学習登録手法はこれらすべての特性を構成的に満たさない。 本稿では,対称,逆整合,トポロジの保存による,新しいマルチレゾリューション・レジストレーション・アーキテクチャを提案する。 また,変形場のメモリ効率向上のための暗黙の層も開発した。 提案手法は,2つのデータセットに対する最先端の登録精度を実現する。

関連論文リスト

• MsMorph: An Unsupervised pyramid learning network for brain image registration [4.000367245594772]
  MsMorphは、イメージペアを登録する手動プロセスの模倣を目的とした、イメージ登録フレームワークである。 異なるスケールで意味情報をデコードし、予測された変形場に対して連続的に合成する。 提案手法は,画像ペアとその近傍の異なる領域に着目し,手動による登録手法をシミュレートする。
  論文  参考訳（メタデータ） (2024-10-23T19:20:57Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• Object Representations as Fixed Points: Training Iterative Refinement Algorithms with Implicit Differentiation [88.14365009076907]
  反復的洗練は表現学習に有用なパラダイムである。 トレーニングの安定性とトラクタビリティを向上させる暗黙の差別化アプローチを開発する。
  論文  参考訳（メタデータ） (2022-07-02T10:00:35Z)
• $\texttt{GradICON}$: Approximate Diffeomorphisms via Gradient Inverse Consistency [16.72466200341455]
  ニューラルネットワークを用いて、ソースとターゲットイメージ間のマップと、ソースとターゲットイメージを切り替える際のマップを予測します。 我々は,様々な実世界の医療画像データセットに対して,最先端の登録性能を実現する。
  論文  参考訳（メタデータ） (2022-06-13T04:03:49Z)
• A training-free recursive multiresolution framework for diffeomorphic deformable image registration [6.929709872589039]
  変形可能な画像登録のための新しい微分型学習自由アプローチを提案する。 提案するアーキテクチャは設計上は単純で,各解像度で移動像を順次ワープし,最終的に固定像に整列する。 システム全体はエンドツーエンドで、スクラッチから各2つのイメージに最適化されている。
  論文  参考訳（メタデータ） (2022-02-01T15:17:17Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• A Learning Framework for Diffeomorphic Image Registration based on Quasi-conformal Geometry [1.2891210250935146]
  本稿では,非教師付き学習フレームワークである準コンフォーマル登録ネットワーク(QCRegNet)を提案する。 QCRegNetは推定器ネットワークとベルトラミソルバネットワーク(BSNet)から構成される その結果、登録精度は最先端の手法に匹敵し、微分同相性はかなり保証されていることがわかった。
  論文  参考訳（メタデータ） (2021-10-20T14:23:24Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• Image-to-image Mapping with Many Domains by Sparse Attribute Transfer [71.28847881318013]
  教師なし画像と画像の変換は、2つの領域間の一対のマッピングを、ポイント間の既知のペアワイズ対応なしで学習することで構成される。 現在の慣例は、サイクル一貫性のあるGANでこのタスクにアプローチすることです。 そこで本研究では,ジェネレータを直接,潜在層における単純なスパース変換に制限する代替手法を提案する。
  論文  参考訳（メタデータ） (2020-06-23T19:52:23Z)
• 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)
• Fast Symmetric Diffeomorphic Image Registration with Convolutional Neural Networks [11.4219428942199]
  本稿では,新しい非教師付き対称画像登録手法を提案する。 大規模脳画像データセットを用いた3次元画像登録法について検討した。
  論文  参考訳（メタデータ） (2020-03-20T22:07:24Z)

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。