論文の概要: SAMConvex: Fast Discrete Optimization for CT Registration using Self-supervised Anatomical Embedding and Correlation Pyramid

• arxiv url: http://arxiv.org/abs/2307.09727v1
• Date: Wed, 19 Jul 2023 02:28:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 15:37:45.193757
• Title: SAMConvex: Fast Discrete Optimization for CT Registration using Self-supervised Anatomical Embedding and Correlation Pyramid
• Title（参考訳）: SAMConvex:自己監督型解剖学的埋め込みと相関ピラミッドを用いたCTレジストレーションの高速離散最適化
• Authors: Zi Li and Lin Tian and Tony C. W. Mok and Xiaoyu Bai and Puyang Wang and Jia Ge and Jingren Zhou and Le Lu and Xianghua Ye and Ke Yan and Dakai Jin
• Abstract要約: 特徴空間で計算されたコスト体積による変位ベクトル場の推定は,画像登録において大きな成功を収めた。 既存の特徴記述子は、グローバルな意味情報を表現できないローカル特徴のみを抽出する。 我々は,CT登録のための高速な粗い離散最適化手法SAMConvexを提案する。
• 参考スコア（独自算出の注目度）: 32.424451941998484
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating displacement vector field via a cost volume computed in the feature space has shown great success in image registration, but it suffers excessive computation burdens. Moreover, existing feature descriptors only extract local features incapable of representing the global semantic information, which is especially important for solving large transformations. To address the discussed issues, we propose SAMConvex, a fast coarse-to-fine discrete optimization method for CT registration that includes a decoupled convex optimization procedure to obtain deformation fields based on a self-supervised anatomical embedding (SAM) feature extractor that captures both local and global information. To be specific, SAMConvex extracts per-voxel features and builds 6D correlation volumes based on SAM features, and iteratively updates a flow field by performing lookups on the correlation volumes with a coarse-to-fine scheme. SAMConvex outperforms the state-of-the-art learning-based methods and optimization-based methods over two inter-patient registration datasets (Abdomen CT and HeadNeck CT) and one intra-patient registration dataset (Lung CT). Moreover, as an optimization-based method, SAMConvex only takes $\sim2$s ($\sim5s$ with instance optimization) for one paired images.
• Abstract（参考訳）: 特徴空間で計算されたコストボリュームによる変位ベクトル場の推定は、画像登録において大きな成功を収めているが、過剰な計算負荷を被っている。 さらに,既存の特徴記述子はグローバルな意味情報を表現できない局所的特徴のみを抽出する。 この課題に対処するために, SAMConvexを提案する。これは, 局所情報とグローバル情報の両方をキャプチャする自己教師付解剖学的埋込み(SAM)特徴抽出器に基づく変形場を得るための, 分離凸最適化手順を含む高速で粗い離散的なCT登録法である。 具体的には、SAMConvexは、SAM特徴に基づいてボクセルごとの特徴を抽出し、6次元相関ボリュームを構築し、粗大なスキームで相関ボリュームのルックアップを行い、フローフィールドを反復的に更新する。 SAMConvexは、2つの患者間登録データセット(Abdomen CTとHeadNeck CT)と1つの患者間登録データセット(Lung CT)において、最先端の学習ベース手法と最適化ベースの手法より優れている。 さらに、最適化ベースのメソッドとして、samconvexは1対のイメージに対して$\sim2$s(インスタンス最適化で$\sim5s$)だけを取る。

関連論文リスト

• Efficient Knowledge Distillation of SAM for Medical Image Segmentation [0.04672991859386895]
  Segment Anything Model (SAM)はインタラクティブなイメージセグメンテーションの新しい標準を設定し、さまざまなタスクで堅牢なパフォーマンスを提供する。 我々は, エンコーダとデコーダの最適化を, Mean Squared Error (MSE) と Perceptual Loss の組み合わせで組み合わせた新しい知識蒸留手法 KD SAM を提案する。 KD SAMはセグメンテーションの精度と計算効率を効果的にバランスさせ、資源制約のある環境でリアルタイムの医用画像セグメンテーションに適している。
  論文  参考訳（メタデータ） (2025-01-28T06:33:30Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• 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)
• Self-Supervised Dataset Distillation for Transfer Learning [77.4714995131992]
  ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。 両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。 転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2023-10-10T10:48:52Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Matching in the Wild: Learning Anatomical Embeddings for Multi-Modality Images [28.221419419614183]
  放射線療法士は、両方のモダリティからの情報を効果的に活用するために、MR/CT画像の正確な登録を必要とする。 近年の学習に基づく手法は, 剛体/ファインステップにおいて有望な結果を示した。 そこで我々は,クロスモダリティマッチングを可能にするCross-SAMと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-07T11:49:06Z)
• Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion [62.269219152425556]
  セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。 本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。 アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
  論文  参考訳（メタデータ） (2022-02-21T15:30:14Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)

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。