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

• arxiv url: http://arxiv.org/abs/2303.10211v5
• Date: Mon, 02 Dec 2024 08:37:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-03 20:23:11.764795
• Title: SITReg: Multi-resolution architecture for symmetric, inverse consistent, and topology preserving image registration
• Title（参考訳）: SITReg:画像登録のための対称・逆整合・トポロジー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, Pekka Marttinen,
• Abstract要約: マルチレゾリューション特徴表現の抽出に基づく新しいディープラーニング登録アーキテクチャを提案する。 提案手法は,3つのデータセットに対して,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）: 6.432072145009342
• License:
• Abstract: Deep learning has emerged as a strong alternative for classical iterative methods for deformable medical image registration, where the goal is to find a mapping between the coordinate systems of two images. Popular classical image registration methods enforce the useful inductive biases of symmetricity, inverse consistency, and topology preservation by construction. However, while many deep learning registration methods encourage these properties via loss functions, no earlier methods enforce all of them by construction. Here, we propose a novel registration architecture based on extracting multi-resolution feature representations which is by construction symmetric, inverse consistent, and topology preserving. We also develop an implicit layer for memory efficient inversion of the deformation fields. Our method achieves state-of-the-art registration accuracy on three datasets. The code is available at https://github.com/honkamj/SITReg.
• Abstract（参考訳）: 深層学習は、2つの画像の座標系間のマッピングを見つけることを目的として、変形可能な医用画像登録のための古典的反復手法の強力な代替手段として登場した。 ポピュラーな古典的画像登録法は、対称性、逆整合性、および構成による位相保存の有用な帰納的バイアスを強制する。 しかし、多くのディープラーニング登録手法は損失関数を介してこれらの特性を奨励するが、初期の手法ではこれら全てを建設によって強制することはなかった。 本稿では, 構成対称性, 逆整合性, トポロジ保存による多分解能特徴表現の抽出に基づく新しい登録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,3つのデータセットに対して,最先端の登録精度を実現する。 コードはhttps://github.com/honkamj/SITReg.comで公開されている。

関連論文リスト

• A Symmetric Dynamic Learning Framework for Diffeomorphic Medical Image Registration [45.95917857572395]
  本研究では,動的に進化し,対称的な登録経路を学習する学習フレームワークであるDCCNN-LSTM-Regを紹介する。 本手法は,定量評価と定性評価の両方において既存手法より優れている。
  論文  参考訳（メタデータ） (2024-11-05T08:02:44Z)
• $\texttt{GradICON}$: 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)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• 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)
• Self-supervised Geometric Perception [96.89966337518854]
  自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。 また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-04T15:34:43Z)
• 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。