論文の概要: Utilizing Radiomic Feature Analysis For Automated MRI Keypoint
Detection: Enhancing Graph Applications
- arxiv url: http://arxiv.org/abs/2311.18281v1
- Date: Thu, 30 Nov 2023 06:37:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 17:39:54.051334
- Title: Utilizing Radiomic Feature Analysis For Automated MRI Keypoint
Detection: Enhancing Graph Applications
- Title（参考訳）: 自動mriキーポイント検出のための放射能特徴解析 : グラフアプリケーションの拡張
- Authors: Sahar Almahfouz Nasser, Shashwat Pathak, Keshav Singhal, Mohit Meena,
Nihar Gupte, Ananya Chinmaya, Prateek Garg, and Amit Sethi
- Abstract要約: グラフニューラルネットワーク(GNN)は、特定の画像処理アプリケーションにおいて、CNNやトランスフォーマーに代わる有望な選択肢を提供する。
ひとつのアプローチは、重要なキーポイントを識別することで、イメージをノードに変換することだ。
本研究は, 画像分類, セグメンテーション, 登録に限らず, GNN アプリケーションを様々なアプリケーションに拡張する段階を定めている。
- 参考スコア（独自算出の注目度）: 2.8084568003406316
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) present a promising alternative to CNNs and
transformers in certain image processing applications due to their
parameter-efficiency in modeling spatial relationships. Currently, a major area
of research involves the converting non-graph input data for GNN-based models,
notably in scenarios where the data originates from images. One approach
involves converting images into nodes by identifying significant keypoints
within them. Super-Retina, a semi-supervised technique, has been utilized for
detecting keypoints in retinal images. However, its limitations lie in the
dependency on a small initial set of ground truth keypoints, which is
progressively expanded to detect more keypoints. Having encountered
difficulties in detecting consistent initial keypoints in brain images using
SIFT and LoFTR, we proposed a new approach: radiomic feature-based keypoint
detection. Demonstrating the anatomical significance of the detected keypoints
was achieved by showcasing their efficacy in improving registration processes
guided by these keypoints. Subsequently, these keypoints were employed as the
ground truth for the keypoint detection method (LK-SuperRetina). Furthermore,
the study showcases the application of GNNs in image matching, highlighting
their superior performance in terms of both the number of good matches and
confidence scores. This research sets the stage for expanding GNN applications
into various other applications, including but not limited to image
classification, segmentation, and registration.
- Abstract（参考訳）: グラフニューラルネットワーク(gnns)は、特定の画像処理アプリケーションにおいて、空間関係のモデル化におけるパラメータ効率のため、cnnやトランスフォーマーに代わる有望な選択肢を提供する。
現在、GNNベースモデルの非グラフ入力データを変換すること、特にデータが画像に由来するシナリオにおいて、研究の領域が広く行われている。
ひとつのアプローチは、重要なキーポイントを識別することで、イメージをノードに変換することだ。
半教師付き技術であるSuper-Retinaは、網膜画像のキーポイントの検出に利用されている。
しかし、その制限は、より多くのキーポイントを検出するために徐々に拡張される、小さな基本真理キーポイントのセットに依存している。
SIFTとLoFTRを用いた脳画像における一貫した初期キーポイントの検出が困難であったため,我々は新しいアプローチを提案した。
検出されたキーポイントの解剖学的意義を示すために,これらのキーポイントが誘導する登録プロセスを改善する効果を示した。
その後、これらのキーポイントをキーポイント検出法(LK-SuperRetina)の基礎的真理として利用した。
さらに、画像マッチングにおけるGNNの適用例を示し、良好なマッチング数と信頼性スコアの両方の観点から、優れたパフォーマンスを示している。
本研究は、画像分類、セグメンテーション、登録を含む、gnnアプリケーションを他の様々なアプリケーションへ拡張する段階を設定する。
関連論文リスト
- Geometric Features Enhanced Human-Object Interaction Detection [11.513009304308724]
我々は、新しいエンドツーエンド変換方式HOI検出モデル、すなわち幾何学的特徴強化HOI検出器(GeoHOI)を提案する。
モデルの1つの重要な部分は、UniPointNetと呼ばれる新しい統合された自己教師付きキーポイント学習方法である。
GeoHOIはトランスフォーマーをベースとしたHOI検出器を効果的にアップグレードする。
論文 参考訳（メタデータ） (2024-06-26T18:52:53Z) - Open-Vocabulary Animal Keypoint Detection with Semantic-feature Matching [74.75284453828017]
Open-Vocabulary Keypoint Detection (OVKD)タスクは、任意の種類のキーポイントを特定するためにテキストプロンプトを使用するように設計されている。
セマンティック・フェールマッチング(KDSM)を用いた開語彙キーポイント検出(Open-Vocabulary Keypoint Detection)という新しいフレームワークを開発した。
このフレームワークは視覚と言語モデルを組み合わせて、言語機能とローカルキーポイント視覚機能との相互作用を作成する。
論文 参考訳（メタデータ） (2023-10-08T07:42:41Z) - Learning Feature Matching via Matchable Keypoint-Assisted Graph Neural
Network [52.29330138835208]
画像のペア間の局所的な特徴の正確なマッチングは、コンピュータビジョンの課題である。
従来の研究では、注意に基づくグラフニューラルネットワーク(GNN)と、画像内のキーポイントに完全に接続されたグラフを使用するのが一般的だった。
本稿では,非繰り返しキーポイントをバイパスし,マッチング可能なキーポイントを利用してメッセージパッシングを誘導する,疎注意に基づくGNNアーキテクチャであるMaKeGNNを提案する。
論文 参考訳（メタデータ） (2023-07-04T02:50:44Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Learning Hierarchical Graph Representation for Image Manipulation
Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。
最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。
本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文 参考訳（メタデータ） (2022-01-15T01:54:25Z) - Probabilistic Spatial Distribution Prior Based Attentional Keypoints
Matching Network [19.708243062836104]
キーポイントマッチングは、画像ステッチ、視覚的同時ローカライゼーション、マッピングなど、多くの画像関連アプリケーションにとって重要なコンポーネントである。
本稿では、IMU統合による動き推定を用いて、画像間のキーポイントの前の空間分布を推定できることを実証する。
本稿では,提案したキーポイントマッチングネットワークに対して,マッチングと未マッチングのキーポイント間のスムーズなエッジを与えるプロジェクションロスを提案する。
論文 参考訳（メタデータ） (2021-11-17T09:52:03Z) - Automatic Test Suite Generation for Key-points Detection DNNs Using
Many-Objective Search [12.312494463326269]
本稿では,多目的探索を用いたKP-DNNのテストデータの自動生成手法を提案する。
私たちのアプローチは、平均して、すべてのキーポイントの93%以上を予測するためにテストスイートを生成できることを示しています。
比較として,ランダム検索に基づくテストデータ生成は,その41%に過ぎません。
論文 参考訳（メタデータ） (2020-12-11T17:28:03Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Distillation of neural network models for detection and description of
key points of images [0.0]
本研究の目的は,キーポイントの検出と記述のよりコンパクトなモデルを得ることである。
キーポイント検出方法をテストするための新しいデータセットと、割り当てられたキーポイントの新たな品質指標が導入された。
パラメータ数が大幅に少ない新しいモデルでは、元のモデルの精度に近い点マッチングの精度を示す。
論文 参考訳（メタデータ） (2020-05-18T18:59:35Z) - Structural Temporal Graph Neural Networks for Anomaly Detection in
Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。
特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。
抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文 参考訳（メタデータ） (2020-05-15T09:17:08Z)
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。