論文の概要: Preserving Tumor Volumes for Unsupervised Medical Image Registration
- arxiv url: http://arxiv.org/abs/2309.10153v1
- Date: Mon, 18 Sep 2023 21:02:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 17:26:44.754483
- Title: Preserving Tumor Volumes for Unsupervised Medical Image Registration
- Title（参考訳）: 非教師なし医用画像登録のための腫瘍容積保存
- Authors: Qihua Dong, Hao Du, Ying Song, Yan Xu, Jing Liao
- Abstract要約: 現在の手法は、異種領域における不均等な体積変化をもたらす変形場を生成するための類似度尺度に依存している。
腫瘍の容積を抑える制約問題として腫瘍による画像登録を定式化し,他の正常領域の画像類似度を最大化した。
本手法は,軟部腫瘍マスクを用いて各領域における画像の類似性と容積保存のバランスを保ち,各領域に容積保存損失を付与する。
- 参考スコア（独自算出の注目度）: 16.455577900790363
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image registration is a critical task that estimates the spatial
correspondence between pairs of images. However, current traditional and
deep-learning-based methods rely on similarity measures to generate a deforming
field, which often results in disproportionate volume changes in dissimilar
regions, especially in tumor regions. These changes can significantly alter the
tumor size and underlying anatomy, which limits the practical use of image
registration in clinical diagnosis. To address this issue, we have formulated
image registration with tumors as a constraint problem that preserves tumor
volumes while maximizing image similarity in other normal regions. Our proposed
strategy involves a two-stage process. In the first stage, we use
similarity-based registration to identify potential tumor regions by their
volume change, generating a soft tumor mask accordingly. In the second stage,
we propose a volume-preserving registration with a novel adaptive
volume-preserving loss that penalizes the change in size adaptively based on
the masks calculated from the previous stage. Our approach balances image
similarity and volume preservation in different regions, i.e., normal and tumor
regions, by using soft tumor masks to adjust the imposition of
volume-preserving loss on each one. This ensures that the tumor volume is
preserved during the registration process. We have evaluated our strategy on
various datasets and network architectures, demonstrating that our method
successfully preserves the tumor volume while achieving comparable registration
results with state-of-the-art methods. Our codes is available at:
\url{https://dddraxxx.github.io/Volume-Preserving-Registration/}.
- Abstract（参考訳）: 医用画像登録は,画像対間の空間対応を推定する重要な課題である。
しかしながら、現在の伝統的・深層学習に基づく手法は、異種領域、特に腫瘍領域において不均質な体積変化をもたらす変形場を生成するための類似性尺度に依存している。
これらの変化は腫瘍の大きさや解剖を著しく変え、臨床診断における画像登録の実際的使用を制限する。
この課題に対処するため,他の正常領域における画像類似性を最大化しつつ,腫瘍の体積を抑える制約問題として,腫瘍による画像登録を定式化した。
提案する戦略は2段階のプロセスである。
第1段階では, 類似性に基づく登録を用いて, 体積変化による腫瘍部位の同定を行い, 軟部腫瘍マスクを生成する。
第2段階では、前段から算出したマスクに基づいて、サイズ変化を適応的にペナライズする新しい適応容積保存損失を伴う容積保存登録を提案する。
本手法は, 軟部腫瘍マスクを用いて, 画像の類似性と, 正常領域, 腫瘍領域における容積保存のバランスをとり, それぞれに容積保存損失の付与を調整する。
これにより、腫瘍の体積は登録プロセス中に保存される。
さまざまなデータセットやネットワークアーキテクチャ上での戦略を検証し,本手法が腫瘍容積の保存に成功し,最先端の手法で同等な登録結果が得られることを示した。
私たちのコードは、 \url{https://dddraxxx.github.io/volume-preserving-registration/} で利用可能です。
関連論文リスト
- SiNGR: Brain Tumor Segmentation via Signed Normalized Geodesic Transform Regression [3.7141182051230914]
本稿では,脳腫瘍近傍の不確かさを捉えるために,新しい基底真理ラベル変換を提案する。
このアイデアを、高次元出力空間における効果的な回帰学習を可能にするFocal-like regression L1-lossと組み合わせる。
論文 参考訳（メタデータ） (2024-05-27T04:14:20Z) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳（メタデータ） (2023-06-23T12:09:52Z) - Prediction of brain tumor recurrence location based on multi-modal
fusion and nonlinear correlation learning [55.789874096142285]
深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。
まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。
次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。
2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
論文 参考訳（メタデータ） (2023-04-11T02:45:38Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - A deep residual learning implementation of Metamorphosis [4.4203363069188475]
本稿では,推論時の計算時間を劇的に削減するメタモルフィズムの残差学習実装を提案する。
また,提案フレームワークは,位相変化の局所化に関する事前知識を容易に統合できることを示す。
提案手法はBraTS 2021データセット上でテストし,脳腫瘍と画像のアライメントにおいて最先端の手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2022-02-01T15:39:34Z) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - Symmetric-Constrained Irregular Structure Inpainting for Brain MRI
Registration with Tumor Pathology [33.90454917741234]
腫瘍領域に合成組織強度を発生させるコンテキスト認識型画像インパインティングフレームワークを提案する。
パッチワイズ機能間のセマンティックな関連性をモデル化して詳細を洗練するために,機能レベルのパッチマッチ改善モジュールを適用した。
提案手法は,信号対雑音比,構造類似度指数,ピーク信号対雑音比,L1誤差を低減した結果を得た。
論文 参考訳（メタデータ） (2021-01-17T20:38:50Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Automatic Segmentation of Non-Tumor Tissues in Glioma MR Brain Images
Using Deformable Registration with Partial Convolutional Networks [0.0]
われわれはまずU-Netを用いて脳腫瘍を分離し,正常な組織を模倣する新しい登録法を提案する。
提案アルゴリズムと直接登録を比較した結果, 灰白質のDice係数は正常な脳組織に対して有意に改善された。
論文 参考訳（メタデータ） (2020-07-10T07:58:23Z) - Region of Interest Identification for Brain Tumors in Magnetic Resonance
Images [8.75217589103206]
そこで我々は,腫瘍周辺で最小の境界ボックスを見つけるために,軽量計算量で高速かつ自動化された手法を提案する。
この領域は、サブリージョン腫瘍セグメンテーションのトレーニングネットワークにおける前処理ステップとして使用できる。
提案手法は BraTS 2015 データセット上で評価され,得られた平均 DICE スコアは 0.73 である。
論文 参考訳（メタデータ） (2020-02-26T14:10:40Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。