論文の概要: A survey on deep learning in medical image registration: new technologies, uncertainty, evaluation metrics, and beyond

• arxiv url: http://arxiv.org/abs/2307.15615v4
• Date: Fri, 01 Nov 2024 15:13:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-04 14:32:13.389952
• Title: A survey on deep learning in medical image registration: new technologies, uncertainty, evaluation metrics, and beyond
• Title（参考訳）: 医用画像登録における深層学習に関する調査:新しい技術、不確実性、評価指標など
• Authors: Junyu Chen, Yihao Liu, Shuwen Wei, Zhangxing Bian, Shalini Subramanian, Aaron Carass, Jerry L. Prince, Yong Du,
• Abstract要約: 深層学習技術は、過去10年間に医療画像登録の分野を劇的に変えてきた。 本稿では,ディープラーニングによる画像登録の最近の進歩を概観する。 本稿では,これらの技術が医用画像に応用されることを強調し,深層学習による画像登録の今後の展望について論じる。
• 参考スコア（独自算出の注目度）: 11.011806131158
• License:
• Abstract: Deep learning technologies have dramatically reshaped the field of medical image registration over the past decade. The initial developments, such as regression-based and U-Net-based networks, established the foundation for deep learning in image registration. Subsequent progress has been made in various aspects of deep learning-based registration, including similarity measures, deformation regularizations, network architectures, and uncertainty estimation. These advancements have not only enriched the field of image registration but have also facilitated its application in a wide range of tasks, including atlas construction, multi-atlas segmentation, motion estimation, and 2D-3D registration. In this paper, we present a comprehensive overview of the most recent advancements in deep learning-based image registration. We begin with a concise introduction to the core concepts of deep learning-based image registration. Then, we delve into innovative network architectures, loss functions specific to registration, and methods for estimating registration uncertainty. Additionally, this paper explores appropriate evaluation metrics for assessing the performance of deep learning models in registration tasks. Finally, we highlight the practical applications of these novel techniques in medical imaging and discuss the future prospects of deep learning-based image registration.
• Abstract（参考訳）: 深層学習技術は、過去10年間に医療画像登録の分野を劇的に変えてきた。 回帰ベースのネットワークやU-Netベースのネットワークといった初期の開発は、画像登録におけるディープラーニングの基礎を確立した。 その後、類似度測定、変形正則化、ネットワークアーキテクチャ、不確実性推定など、深層学習に基づく登録の様々な面で進展が見られた。 これらの進歩は、画像登録の分野を豊かにしただけでなく、アトラス構築、マルチアトラスセグメンテーション、モーション推定、および2D-3Dの登録など、幅広いタスクにも応用した。 本稿では,ディープラーニングによる画像登録の最近の進歩を概観する。 まず、深層学習に基づく画像登録のコアコンセプトの簡潔な紹介から始める。 そして、革新的なネットワークアーキテクチャ、登録に特有の損失関数、および登録の不確実性を推定する方法を探索する。 さらに,登録タスクにおけるディープラーニングモデルの性能を評価するための適切な評価指標について検討する。 最後に,これらの新しい手法の医用画像への応用を強調し,深層学習による画像登録の今後の展望について考察する。

関連論文リスト

• 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)
• Medical image registration using unsupervised deep neural network: A scoping literature review [0.9527960631238173]
  医学において、画像登録は画像誘導的介入やその他の臨床応用において不可欠である。 ディープニューラルネットワークの実装は、画像登録を少ない時間で高精度に行うなど、いくつかの医療応用の機会を提供する。
  論文  参考訳（メタデータ） (2022-08-03T03:11:34Z)
• Deep Learning for Medical Image Registration: A Comprehensive Review [1.3190581566723918]
  深層学習(DL)に基づく医用画像登録モデルの開発が急速に進んでいる。 本総説では,X線,CTスキャン,超音波,MRIなどのモノモダルおよびマルチモーダルの登録と関連画像に焦点をあてる。
  論文  参考訳（メタデータ） (2022-04-24T19:34:00Z)
• Automated Learning for Deformable Medical Image Registration by Jointly Optimizing Network Architectures and Objective Functions [69.6849409155959]
  本稿では、アーキテクチャとそれに対応する学習目標の両方を協調的に最適化する自動学習登録アルゴリズム(AutoReg)を提案する。 マルチサイトボリュームデータセットと各種登録タスクについて,画像登録実験を行った。 我々のAutoRegは、与えられたボリュームに対して最適な深層登録ネットワークを自動的に学習し、最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2022-03-14T01:54:38Z)
• Deep Image Deblurring: A Survey [165.32391279761006]
  低レベルのコンピュータビジョンにおいて、デブロアリングは古典的な問題であり、ぼやけた入力画像からシャープなイメージを復元することを目的としている。 近年のディープラーニングの進歩は、この問題の解決に大きな進歩をもたらした。
  論文  参考訳（メタデータ） (2022-01-26T01:31:30Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Deformable Image Registration with Deep Network Priors: a Study on Longitudinal PET Images [0.5949967357689445]
  本稿では,Deep Image Priorに触発されて,画像登録問題に取り組むためのレギュレータとして,Deep Architectureの異なる利用法を提案する。 変形場を制約する先行モデルである深層ピラミッド構造に頼って,MIRRBAと呼ばれる対象固有の変形可能な登録手法を提案する。 深層建築の正規化力を実証し,登録のための深層学習手法におけるアーキテクチャの役割を理解するための新しい要素を提示する。
  論文  参考訳（メタデータ） (2021-11-22T10:58:14Z)
• A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
  ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。 本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。 本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-07-09T13:35:59Z)
• 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)
• Medical Image Registration Using Deep Neural Networks: A Comprehensive Review [1.2425910171551517]
  ディープニューラルネットワークを用いた医用画像登録に関する最新の文献を紹介する。 レビューは体系的であり、以前この分野で出版されたすべての関連作品を含んでいる。 このレビューは、最先端の文献を調査し、将来的な文献に貢献しようとする、現場で活動している読者の深い理解と洞察を可能にする。
  論文  参考訳（メタデータ） (2020-02-09T17:22:05Z)

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。