論文の概要: Primitive Simultaneous Optimization of Similarity Metrics for Image
Registration
- arxiv url: http://arxiv.org/abs/2304.01601v2
- Date: Fri, 2 Jun 2023 08:10:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-05 19:39:51.459061
- Title: Primitive Simultaneous Optimization of Similarity Metrics for Image
Registration
- Title(参考訳): 画像登録のための類似度指標のプリミティブ同時最適化
- Authors: Diana Waldmannstetter, Benedikt Wiestler, Julian Schwarting, Ivan
Ezhov, Marie Metz, Daniel Rueckert, Jan S. Kirschke, Marie Piraud, Florian
Kofler, Bjoern H. Menze
- Abstract要約: 本稿では,原始和法により実装された登録メトリクスの同時最適化が,画像登録に有効かどうかを検討する。
専門神経放射線学者のランドマークアノテーションを用いて,TRE(Target Registration Error)による登録精度の向上を実証した。
- 参考スコア(独自算出の注目度): 8.218886489556253
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Even though simultaneous optimization of similarity metrics represents a
standard procedure in the field of semantic segmentation, surprisingly, this
does not hold true for image registration. To close this unexpected gap in the
literature, we investigate in a complex multi-modal 3D setting whether
simultaneous optimization of registration metrics, here implemented by means of
primitive summation, can benefit image registration. We evaluate two
challenging datasets containing collections of pre- to post-operative and pre-
to intra-operative Magnetic Resonance Imaging (MRI) of glioma. Employing the
proposed optimization we demonstrate improved registration accuracy in terms of
Target Registration Error (TRE) on expert neuroradiologists' landmark
annotations.
- Abstract(参考訳): 類似度メトリクスの同時最適化はセマンティックセグメンテーションの分野で標準的な手順であるにもかかわらず、驚くべきことに、画像登録には当てはまらない。
文献における予期せぬギャップを解消するため,本論文では,画像登録のメリットを生かした登録メトリクスの同時最適化について,複雑なマルチモーダル3次元設定で検討する。
グリオーマの術前・術後および術中mri(pre-to intra-operative magnetic resonance imaging: mri)を含む2つの課題データセットを評価した。
提案手法を応用して,専門神経放射線学者のランドマークアノテーションに基づくTRE(Target Registration Error)による登録精度の向上を示す。
関連論文リスト
- Prompt Recovery for Image Generation Models: A Comparative Study of Discrete Optimizers [58.50071292008407]
本稿では,近年の離散最適化手法の突発的逆転問題に対する直接比較について述べる。
逆プロンプトと基底真理画像とのCLIP類似性に着目し, 逆プロンプトが生成する画像と基底真理画像との類似性について検討した。
論文 参考訳(メタデータ) (2024-08-12T21:35:59Z) - OrientDream: Streamlining Text-to-3D Generation with Explicit Orientation Control [66.03885917320189]
OrientDreamは、テキストプロンプトから効率よくマルチビューで一貫した3D生成のためのカメラ指向条件付きフレームワークである。
本戦略は,2次元テキスト・画像拡散モジュールの事前学習におけるカメラ配向条件付き機能の実装を強調する。
提案手法は,一貫したマルチビュー特性を持つ高品質なNeRFモデルを生成するだけでなく,既存手法よりも最適化速度が大幅に向上することを示した。
論文 参考訳(メタデータ) (2024-06-14T13:16:18Z) - FireANTs: Adaptive Riemannian Optimization for Multi-Scale Diffeomorphic Registration [20.34181966545357]
Diffomorphic Image Registrationは、画像翻訳、セグメンテーション、アトラスビルディングといった様々な画像モダリティや下流タスクの分析において重要な部分である。
提案するフレームワークは,一貫した性能向上を実現し,既存のアルゴリズムよりも300倍から2000倍の高速化を実現した。
モジュールライブラリの設計は使いやすく、ユーザ定義のコスト関数によるカスタマイズを可能にします。
論文 参考訳(メタデータ) (2024-04-01T17:12:47Z) - SAME++: A Self-supervised Anatomical eMbeddings Enhanced medical image
registration framework using stable sampling and regularized transformation [19.683682147655496]
本研究では,自己監督型解剖学的eMbeddingアルゴリズムを用いて,非教師付き3次元医用画像登録のための高速かつ高精度な手法を提案する。
我々は、画像登録をアフィン変換、粗い変形、深度非パラメトリック変換、インスタンス最適化の4つのステップに分割するアプローチSAM-Enhanced registration (SAME++) を命名した。
完全な登録フレームワークとして、Mate++はDiceスコアの点で、リードメソッドの4.2%$ - 8.2%$を著しく上回っている。
論文 参考訳(メタデータ) (2023-11-25T10:11:04Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - Direct Simultaneous Multi-Image Registration [13.187337950894136]
直接同時登録(Direct Simultaneous Registration, DSR)と呼ばれる, モノモーダル3D画像のコレクションを同時登録する新しいアルゴリズムを提案する。
提案手法は従来の逐次登録法よりも精度が高く, 得られた結果から, 画像中のアライメントが良好であることが示唆された。
論文 参考訳(メタデータ) (2021-05-21T01:42:11Z) - Semantic similarity metrics for learned image registration [10.355938901584565]
画像登録のための意味的類似度尺度を提案する。
このアプローチは、学習に基づく登録モデルの最適化を促進するデータセット固有の特徴を学習する。
自動エンコーダを用いた非監視的アプローチと、補助セグメンテーションデータを用いた半監督的アプローチの両方をトレーニングし、画像登録のための意味的特徴を抽出します。
論文 参考訳(メタデータ) (2021-04-20T15:23:58Z) - 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) - DeepSim: Semantic similarity metrics for learned image registration [6.789370732159177]
画像登録のための意味的類似度尺度を提案する。
提案手法は,学習ベース登録モデルの最適化を促進する,データセット固有の特徴を学習する。
論文 参考訳(メタデータ) (2020-11-11T12:35:07Z) - Learning 3D-3D Correspondences for One-shot Partial-to-partial
Registration [66.41922513553367]
学習に基づく部分的対部分的な登録をワンショットで行うことができることを示す。
そこで本研究では,ビンの利用により閉塞点を考慮に入れた最適輸送層を提案する。
結果として得られるOPRNetフレームワークは、標準ベンチマークにおける最先端技術を上回っている。
論文 参考訳(メタデータ) (2020-06-08T12:35:47Z) - 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。