論文の概要: Deep learning in medical image registration: introduction and survey
- arxiv url: http://arxiv.org/abs/2309.00727v2
- Date: Wed, 10 Jan 2024 13:01:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-11 17:18:30.884737
- Title: Deep learning in medical image registration: introduction and survey
- Title（参考訳）: 医用画像登録における深層学習 : 導入と調査
- Authors: Ahmad Hammoudeh, St\'ephane Dupont
- Abstract要約: 本論文では,簡単な数値例を用いて画像登録を行う。
空間指向のシンボル表現とともに、画像登録の定義を提供する。
また、画像ガイド下手術、運動追跡、腫瘍診断の応用も検討している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image registration (IR) is a process that deforms images to align them with
respect to a reference space, making it easier for medical practitioners to
examine various medical images in a standardized reference frame, such as
having the same rotation and scale. This document introduces image registration
using a simple numeric example. It provides a definition of image registration
along with a space-oriented symbolic representation. This review covers various
aspects of image transformations, including affine, deformable, invertible, and
bidirectional transformations, as well as medical image registration algorithms
such as Voxelmorph, Demons, SyN, Iterative Closest Point, and SynthMorph. It
also explores atlas-based registration and multistage image registration
techniques, including coarse-fine and pyramid approaches. Furthermore, this
survey paper discusses medical image registration taxonomies, datasets,
evaluation measures, such as correlation-based metrics, segmentation-based
metrics, processing time, and model size. It also explores applications in
image-guided surgery, motion tracking, and tumor diagnosis. Finally, the
document addresses future research directions, including the further
development of transformers.
- Abstract（参考訳）: 画像登録(英: image registration、ir)とは、画像が基準空間と一致するように変形するプロセスであり、医療従事者が同じ回転やスケールを持つような標準基準フレームで様々な医療画像を調べるのが容易である。
本文書では簡単な数値例を用いて画像登録を紹介する。
空間指向のシンボル表現とともに、画像登録の定義を提供する。
このレビューでは、アフィン、変形性、可逆性、双方向変換、およびVoxelmorph、Demons、SyN、Iterative Closest Point、SynthMorphなどの医療画像登録アルゴリズムなど、画像変換のさまざまな側面を取り上げている。
また、粗い粒度とピラミッドのアプローチを含むアトラスベースの登録と多段階画像登録技術についても検討している。
さらに, 医用画像登録分類法, データセット, 相関基準, セグメンテーション基準, 処理時間, モデルサイズなどの評価指標について検討した。
また、画像誘導手術、運動追跡、腫瘍診断の応用も検討している。
最後に、この文書はトランスフォーマーのさらなる発展を含む将来の研究の方向性に言及する。
関連論文リスト
- MsMorph: An Unsupervised pyramid learning network for brain image registration [4.000367245594772]
MsMorphは、イメージペアを登録する手動プロセスの模倣を目的とした、イメージ登録フレームワークである。
異なるスケールで意味情報をデコードし、予測された変形場に対して連続的に合成する。
提案手法は,画像ペアとその近傍の異なる領域に着目し,手動による登録手法をシミュレートする。
論文 参考訳（メタデータ） (2024-10-23T19:20:57Z) - Progressive Retinal Image Registration via Global and Local Deformable Transformations [49.032894312826244]
我々はHybridRetinaと呼ばれるハイブリッド登録フレームワークを提案する。
キーポイント検出器とGAMorphと呼ばれる変形ネットワークを用いて、大域的な変換と局所的な変形可能な変換を推定する。
FIREとFLoRI21という2つの広く使われているデータセットの実験により、提案したHybridRetinaは最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2024-09-02T08:43:50Z) - Medical Image Registration and Its Application in Retinal Images: A Review [4.634056717325716]
本稿では,従来型および深層学習に基づく医用画像登録手法の総合的なレビューを行う。
また、網膜画像登録の現在の課題についても論じ、今後の研究への洞察と展望を提供する。
論文 参考訳（メタデータ） (2024-03-25T07:35:28Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - Explainable unsupervised multi-modal image registration using deep
networks [2.197364252030876]
MRI画像登録は、異なるモダリティ、時間点、スライスから幾何学的に「ペア」診断することを目的としている。
本研究では,我々のDLモデルが完全に説明可能であることを示し,さらなる医用画像データへのアプローチを一般化するための枠組みを構築した。
論文 参考訳（メタデータ） (2023-08-03T19:13:48Z) - 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) - 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) - 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) - 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) - Deep Group-wise Variational Diffeomorphic Image Registration [3.0022455491411653]
本稿では,複数の画像の同時登録を可能にするために,現在の学習ベース画像登録を拡張することを提案する。
本稿では,複数の画像の粘性測地線平均への登録と,利用可能な画像のいずれかを固定画像として使用可能な登録を両立できる汎用的な数学的枠組みを提案する。
論文 参考訳（メタデータ） (2020-10-01T07:37:28Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。