論文の概要: Robust deformable image registration using cycle-consistent implicit
representations
- arxiv url: http://arxiv.org/abs/2310.01934v1
- Date: Tue, 3 Oct 2023 10:17:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-04 14:48:28.062284
- Title: Robust deformable image registration using cycle-consistent implicit
representations
- Title（参考訳）: 周期整合型暗黙表現を用いたロバスト変形可能な画像登録
- Authors: Louis D. van Harten, Jaap Stoker, Ivana I\v{s}gum
- Abstract要約: 本稿では,一対の周期一貫性を持つ入射ニューラル表現を用いた変形可能な登録法を提案する。
我々は、ペアの後方変形を反転させ、最適化されたペアのコンセンサスを評価することで、複数の推定値を生成する。
提案手法はランドマーク精度を4.5%向上させ,提案手法が収束しないすべての事例を検出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent works in medical image registration have proposed the use of Implicit
Neural Representations, demonstrating performance that rivals state-of-the-art
learning-based methods. However, these implicit representations need to be
optimized for each new image pair, which is a stochastic process that may fail
to converge to a global minimum. To improve robustness, we propose a deformable
registration method using pairs of cycle-consistent Implicit Neural
Representations: each implicit representation is linked to a second implicit
representation that estimates the opposite transformation, causing each network
to act as a regularizer for its paired opposite. During inference, we generate
multiple deformation estimates by numerically inverting the paired backward
transformation and evaluating the consensus of the optimized pair. This
consensus improves registration accuracy over using a single representation and
results in a robust uncertainty metric that can be used for automatic quality
control. We evaluate our method with a 4D lung CT dataset. The proposed
cycle-consistent optimization method reduces the optimization failure rate from
2.4% to 0.0% compared to the current state-of-the-art. The proposed inference
method improves landmark accuracy by 4.5% and the proposed uncertainty metric
detects all instances where the registration method fails to converge to a
correct solution. We verify the generalizability of these results to other data
using a centerline propagation task in abdominal 4D MRI, where our method
achieves a 46% improvement in propagation consistency compared with single-INR
registration and demonstrates a strong correlation between the proposed
uncertainty metric and registration accuracy.
- Abstract（参考訳）: 医療画像登録における最近の研究は、最先端の学習手法に匹敵する性能を示すインプリシットニューラルネットワーク表現の使用を提案している。
しかし、これらの暗黙的な表現は新しい画像ペアごとに最適化されなければならない。
頑健性を向上させるために,各暗黙表現は反対の変換を推定する第2の暗黙表現とリンクされ,各ネットワークが対の逆の正則化器として機能する。
推論中に、ペアの後方変換を数値的に反転させ、最適化されたペアのコンセンサスを評価することにより、複数の変形推定を生成する。
このコンセンサスにより、単一の表現を使用するよりも登録精度が向上し、自動品質管理に使用できる堅牢な不確実性指標が得られる。
本手法を4次元肺ctデータを用いて評価した。
提案手法は,現在の最先端技術と比較して,最適化失敗率を2.4%から0.0%に削減する。
提案手法はランドマーク精度を4.5%向上させ,提案手法が正しい解に収束しないすべての事例を検出する。
腹壁4次元mriにおける中心線伝搬タスクを用いて,本手法は,単層登録に比べて46%の伝搬一貫性が向上し,提案する不確かさ指標と登録精度との間に強い相関が示された。
関連論文リスト
- Efficient Fairness-Performance Pareto Front Computation [51.558848491038916]
最適公正表現はいくつかの有用な構造特性を持つことを示す。
そこで,これらの近似問題は,凹凸プログラミング法により効率的に解けることを示す。
論文 参考訳（メタデータ） (2024-09-26T08:46:48Z) - RHINO: Regularizing the Hash-based Implicit Neural Representation [34.467625248206346]
Inlicit Neural Representation (INR) は、複雑な信号の特徴付けにおいて、顕著な効果と効率性を示した。
しかし、現在の最先端の手法では、規則化が不十分であり、しばしばラジダスの間に信頼できない、うるさい結果をもたらす。
本稿では, 連続解析関数を組み込んで正規化を促進するRHINOを紹介する。
特にRHINOは、現在の最先端技術を、品質とスピードの両方で上回り、その優位性を確認している。
論文 参考訳（メタデータ） (2023-09-22T06:20:41Z) - Stability-Adjusted Cross-Validation for Sparse Linear Regression [5.156484100374059]
k倍のクロスバリデーションのようなクロスバリデーション技術はスパース回帰の計算コストを大幅に増大させる。
クロスバリデーションメトリックの重み付け和とモデルの出力安定性を最小化するハイパーパラメータの選択を提案する。
我々の信頼度調整手順は、13の実世界のデータセット上で、テストセットエラーを平均で2%削減する。
論文 参考訳（メタデータ） (2023-06-26T17:02:45Z) - Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。
本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
論文 参考訳（メタデータ） (2023-06-13T01:18:16Z) - Asymmetric Patch Sampling for Contrastive Learning [17.922853312470398]
正対間の非対称な出現は、対照的な学習における表現劣化のリスクを効果的に減少させる。
比較学習のための新しい非対称なパッチサンプリング戦略を提案し、より良い表現のために外見非対称性を高める。
論文 参考訳（メタデータ） (2023-06-05T13:10:48Z) - Effective Invertible Arbitrary Image Rescaling [77.46732646918936]
Invertible Neural Networks (INN)は、ダウンスケーリングとアップスケーリングのサイクルを共同で最適化することにより、アップスケーリングの精度を大幅に向上させることができる。
本研究の1つのモデルのみをトレーニングすることにより、任意の画像再スケーリングを実現するために、単純で効果的な非可逆的再スケーリングネットワーク(IARN)を提案する。
LR出力の知覚品質を損なうことなく、双方向任意再スケーリングにおいて最先端(SOTA)性能を実現する。
論文 参考訳（メタデータ） (2022-09-26T22:22:30Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - A recursive robust filtering approach for 3D registration [3.5270468102327004]
提案手法は, 既往のソリューションではまだ発生していない4つの利点を有する。
固有ノイズ汚染センサデータを扱うことができる。
ノイズのある特徴ローカライゼーションによる不確実性に対して堅牢である。
論文 参考訳（メタデータ） (2021-10-28T07:50:02Z) - Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。
我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。
また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
論文 参考訳（メタデータ） (2021-07-02T16:21:52Z) - Multistream ValidNet: Improving 6D Object Pose Estimation by Automatic
Multistream Validation [0.8399688944263841]
本研究は, 正と偽の正の正の出現を検知し, 識別することで, ポーズ推定の結果を改善する新しい手法を提案する。
任意のポーズ推定アルゴリズムの出力に対してバイナリ分類器を訓練し、結果の有効性を示すバイナリラベルを返す。
提案手法は,Sil'eaneデータセット上での最新のポーズ推定結果を改善し,平均クラス精度が4.15%,検証精度が0.73%,代替CullNet法が4.15%向上したことを示す。
論文 参考訳（メタデータ） (2021-06-12T04:11:28Z) - Training Binary Neural Networks with Real-to-Binary Convolutions [52.91164959767517]
完全精度のネットワークのうち、数パーセント以内にバイナリネットワークをトレーニングする方法を示します。
我々は、最先端の精度をすでに達成している強力なベースラインを構築する方法を示す。
すべての改善をまとめると、提案したモデルは、ImageNet上で5%以上のトップ1精度で、現在の最先端の技術を上回ります。
論文 参考訳（メタデータ） (2020-03-25T17:54:38Z)
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。