論文の概要: FSDiffReg: Feature-wise and Score-wise Diffusion-guided Unsupervised Deformable Image Registration for Cardiac Images

• arxiv url: http://arxiv.org/abs/2307.12035v1
• Date: Sat, 22 Jul 2023 10:09:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 18:19:25.366840
• Title: FSDiffReg: Feature-wise and Score-wise Diffusion-guided Unsupervised Deformable Image Registration for Cardiac Images
• Title（参考訳）: fsdiffreg:心画像における特徴的およびスコア的拡散誘導非教師なし画像登録
• Authors: Yi Qin and Xiaomeng Li
• Abstract要約: 教師なしの変形可能な画像登録は、医用画像撮影において難しい課題の1つである。 機能的拡散誘導モジュールとスコア的拡散誘導モジュールの2つのモジュールを提示する。 3次元医用心臓画像登録タスクの実験結果から,保存トポロジを効果的に活用する改良変形場の実現能力が検証された。
• 参考スコア（独自算出の注目度）: 12.20081061919718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised deformable image registration is one of the challenging tasks in medical imaging. Obtaining a high-quality deformation field while preserving deformation topology remains demanding amid a series of deep-learning-based solutions. Meanwhile, the diffusion model's latent feature space shows potential in modeling the deformation semantics. To fully exploit the diffusion model's ability to guide the registration task, we present two modules: Feature-wise Diffusion-Guided Module (FDG) and Score-wise Diffusion-Guided Module (SDG). Specifically, FDG uses the diffusion model's multi-scale semantic features to guide the generation of the deformation field. SDG uses the diffusion score to guide the optimization process for preserving deformation topology with barely any additional computation. Experiment results on the 3D medical cardiac image registration task validate our model's ability to provide refined deformation fields with preserved topology effectively. Code is available at: https://github.com/xmed-lab/FSDiffReg.git.
• Abstract（参考訳）: 教師なしの変形可能な画像登録は、医療画像の難しい課題の1つである。 一連のディープラーニングソリューションでは,変形トポロジーを保ちながら高品質な変形場を得ることが求められている。 一方、拡散モデルの潜在特徴空間は変形意味論をモデル化する可能性を示している。 本稿では,拡散モデルが登録タスクを案内する能力をフル活用するために,FDG(Feature-wise Diffusion-Guided Module)とSDG(Score-wise Diffusion-Guided Module)の2つのモジュールを提案する。 具体的には、FDGは拡散モデルのマルチスケール意味的特徴を用いて変形場の生成を導く。 SDGは拡散スコアを使用して、変形トポロジーをほとんど追加の計算で保存するための最適化プロセスを導く。 3次元医用心臓画像登録タスクの実験結果から,保存トポロジを効果的に活用する改良変形場の実現能力が検証された。 コードはhttps://github.com/xmed-lab/fsdiffreg.gitで入手できる。

関連論文リスト

• LDM-Morph: Latent diffusion model guided deformable image registration [2.8195553455247317]
  医用画像登録のための非教師あり変形可能な登録アルゴリズム LDM-Morph を提案する。 潜在拡散モデル(LDM)から抽出したLDM-Morph統合機能を用いて意味情報を強化する。 4つのパブリックな2次元心臓画像データセットに対する大規模な実験により、提案されたLDM-Morphフレームワークは、既存の最先端CNNとTransformersベースの登録方法よりも優れていた。
  論文  参考訳（メタデータ） (2024-11-23T03:04:36Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• Deformation-Recovery Diffusion Model (DRDM): Instance Deformation for Image Manipulation and Synthesis [13.629617915974531]
  変形-回復拡散モデル (DRDM) は, 変形拡散と回復に基づく拡散モデルである。 DRDMは、不合理な変形成分の回復を学ぶために訓練され、ランダムに変形した各画像を現実的な分布に復元する。 心MRIおよび肺CTによる実験結果から,DRDMは多種多様(10%以上の画像サイズ変形スケール)の変形を生じさせることが示された。
  論文  参考訳（メタデータ） (2024-07-10T01:26:48Z)
• The Journey, Not the Destination: How Data Guides Diffusion Models [75.19694584942623]
  大規模なデータセットでトレーニングされた拡散モデルは、顕著な品質と多様性のフォトリアリスティックなイメージを合成することができる。 i)拡散モデルの文脈でデータ属性の形式的概念を提供し、(ii)そのような属性を反実的に検証することを可能にする枠組みを提案する。
  論文  参考訳（メタデータ） (2023-12-11T08:39:43Z)
• Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation [7.7545714516743045]
  拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。 我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。 本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-09-12T03:05:00Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Diffusion Models as Masked Autoencoders [52.442717717898056]
  拡散モデルに対する近年の関心を踏まえて、生成的に事前学習された視覚表現を再考する。 拡散モデルによる直接事前学習では強い表現は得られないが、マスク付き入力上での拡散モデルと公式拡散モデルをマスク付きオートエンコーダ(DiffMAE)として条件付ける。 設計選択の長所と短所について包括的な研究を行い、拡散モデルとマスク付きオートエンコーダ間の接続を構築する。
  論文  参考訳（メタデータ） (2023-04-06T17:59:56Z)
• SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
  SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。 SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。 第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
  論文  参考訳（メタデータ） (2022-11-22T18:00:03Z)
• Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
  関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。 テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:53:52Z)
• DiffuseMorph: Unsupervised Deformable Image Registration Along Continuous Trajectory Using Diffusion Models [31.826844124173984]
  DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。 本モデルは,動画像と固定画像の変形のスコア関数を学習する。 本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
  論文  参考訳（メタデータ） (2021-12-09T08:41:23Z)
• Unsupervised Deep-Learning Based Deformable Image Registration: A Bayesian Framework [0.0]
  非教師付きDLに基づく変形可能な画像登録のための完全にベイズ的なフレームワークを提案する。 提案手法は,真の後部分布を特徴付ける手段を提供する。 提案手法は, 平均二乗誤差を改良した手法により, 変形場の推定精度を向上する。
  論文  参考訳（メタデータ） (2020-08-10T08:15:49Z)

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。