論文の概要: Non-iterative Coarse-to-fine Transformer Networks for Joint Affine and
Deformable Image Registration
- arxiv url: http://arxiv.org/abs/2307.03421v1
- Date: Fri, 7 Jul 2023 07:07:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-10 13:07:56.887177
- Title: Non-iterative Coarse-to-fine Transformer Networks for Joint Affine and
Deformable Image Registration
- Title（参考訳）: ジョイントアフィンと変形可能な画像登録のための非イテレーティブ粗細トランスネットワーク
- Authors: Mingyuan Meng, Lei Bi, Michael Fulham, Dagan Feng, and Jinman Kim
- Abstract要約: 画像登録のための非Iterative Coarse-to-finE Transformer Network (NICE-Trans)を提案する。
我々のNICE-Transは、単一のネットワーク内で結合アフィンと変形可能な粗粒度登録を行う最初のディープ登録方法である。
- 参考スコア（独自算出の注目度）: 10.994223928445589
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Image registration is a fundamental requirement for medical image analysis.
Deep registration methods based on deep learning have been widely recognized
for their capabilities to perform fast end-to-end registration. Many deep
registration methods achieved state-of-the-art performance by performing
coarse-to-fine registration, where multiple registration steps were iterated
with cascaded networks. Recently, Non-Iterative Coarse-to-finE (NICE)
registration methods have been proposed to perform coarse-to-fine registration
in a single network and showed advantages in both registration accuracy and
runtime. However, existing NICE registration methods mainly focus on deformable
registration, while affine registration, a common prerequisite, is still
reliant on time-consuming traditional optimization-based methods or extra
affine registration networks. In addition, existing NICE registration methods
are limited by the intrinsic locality of convolution operations. Transformers
may address this limitation for their capabilities to capture long-range
dependency, but the benefits of using transformers for NICE registration have
not been explored. In this study, we propose a Non-Iterative Coarse-to-finE
Transformer network (NICE-Trans) for image registration. Our NICE-Trans is the
first deep registration method that (i) performs joint affine and deformable
coarse-to-fine registration within a single network, and (ii) embeds
transformers into a NICE registration framework to model long-range relevance
between images. Extensive experiments with seven public datasets show that our
NICE-Trans outperforms state-of-the-art registration methods on both
registration accuracy and runtime.
- Abstract（参考訳）: 画像登録は医用画像解析の基本的な要件である。
ディープラーニングに基づくディープ・レジストレーション手法は、エンドツーエンドの高速な登録を可能にすることで広く認知されている。
多くのディープ登録手法は、粗大な登録を行い、複数の登録ステップをカスケードネットワークで繰り返して行うことによって、最先端の性能を達成した。
近年, 単一ネットワーク上で粗大な登録を行うための非Iterative Coarse-to-finE (NICE) 登録法が提案され, 登録精度と実行性の両方に利点がある。
しかし、既存のNICE登録法は主に変形可能な登録に重点を置いているが、一般的な前提条件であるアフィン登録は、従来の最適化手法や余分なアフィン登録ネットワークに依存している。
また,既存のNICE登録手法は,畳み込み操作の固有の局所性によって制限されている。
トランスフォーマーは、長距離依存性をキャプチャする能力のこの制限に対処することができるが、NICE登録にトランスフォーマーを使用することの利点は検討されていない。
本研究では,画像登録のための非Iterative Coarse-to-finE Transformer Network (NICE-Trans)を提案する。
我々のNICE-Transは、最初のディープ登録方法である
i) 単一ネットワーク内で共用アフィン及び変形可能な粗大な登録を行い、
(ii)変換器をNICE登録フレームワークに組み込んで画像間の長距離関係をモデル化する。
7つの公開データセットによる大規模な実験により、我々のNICE-Transは、登録精度と実行時の両方で最先端の登録方法より優れていることが示された。
関連論文リスト
- uniGradICON: A Foundation Model for Medical Image Registration [17.23463407622614]
登録のための基盤モデルに向けた第一歩として,uniGradICONを提案する。
12種類の公開データセットでUniGradICONを広範囲にトレーニングし,評価した。
論文 参考訳（メタデータ） (2024-03-09T03:26:35Z) - RegFormer: An Efficient Projection-Aware Transformer Network for
Large-Scale Point Cloud Registration [73.69415797389195]
本稿では,大規模クラウドアライメントのためのエンドツーエンドトランス (RegFormer) ネットワークを提案する。
具体的には、プロジェクション対応階層変換器を提案し、長距離依存を捕捉し、外乱をフィルタする。
我々の変圧器は線形複雑であり、大規模シーンでも高い効率が保証される。
論文 参考訳（メタデータ） (2023-03-22T08:47:37Z) - Joint segmentation and discontinuity-preserving deformable registration:
Application to cardiac cine-MR images [74.99415008543276]
多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。
本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。
入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。
大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
論文 参考訳（メタデータ） (2022-11-24T23:45:01Z) - Non-iterative Coarse-to-fine Registration based on Single-pass Deep
Cumulative Learning [11.795108660250843]
変形可能な画像登録のための非Iterative Coarse-to-finE登録ネットワーク(NICE-Net)を提案する。
NICE-Netは、非イテレーティブメソッドと同じようなランタイムしか必要とせず、最先端の反復的な深層登録手法より優れている。
論文 参考訳（メタデータ） (2022-06-25T08:34:59Z) - A Robust Multimodal Remote Sensing Image Registration Method and System
Using Steerable Filters with First- and Second-order Gradients [7.813406811407584]
非線形ラジオメトリック差(NRD)と有意な幾何学的歪みのため,マルチモーダルリモートセンシング画像の同時登録は現在も進行中の課題である。
本稿では,2つの重要なステップからなるステアブルフィルタに基づくロバストマッチング手法を提案する。
提案手法の性能を多種類のマルチモーダルRS画像を用いて評価した。
論文 参考訳（メタデータ） (2022-02-27T12:22:42Z) - CAR-Net: Unsupervised Co-Attention Guided Registration Network for Joint
Registration and Structure Learning [73.03885837923599]
我々は,新しい深層学習ネットワークCAR-Net(Co-Attention Guided Registration Network)を提案する。
CAR-Netはコアテンションブロックを用いて入力の新しい表現を学習し、固定画像と移動画像の登録を駆動する。
イギリスバイオバンクの心臓磁気共鳴画像データを用いた実験により、CAR-Netは最先端の教師なし登録法よりも高い登録精度とスムーズな変形場が得られることが示された。
論文 参考訳（メタデータ） (2021-06-11T23:25:49Z) - 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) - 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) - 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) - A Multiple Decoder CNN for Inverse Consistent 3D Image Registration [18.017296651822857]
ディープラーニング技術は、登録時間を劇的に削減し、登録精度を向上している。
逆整合性を持つ登録フレームワークを提案する。
我々は,LPBA40 MRIデータセット上で,この手法のトレーニングと試験を行い,高い性能を示す。
論文 参考訳（メタデータ） (2020-02-15T23:23:09Z)
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。