Fugu-MT 論文翻訳(概要): Deformable Image Registration with Stochastically Regularized Biomechanical Equilibrium

論文の概要: Deformable Image Registration with Stochastically Regularized Biomechanical Equilibrium

arxiv url: http://arxiv.org/abs/2312.14987v1
Date: Fri, 22 Dec 2023 08:16:47 GMT
ステータス: 処理完了
システム内更新日: 2023-12-27 20:23:06.006755
Title: Deformable Image Registration with Stochastically Regularized Biomechanical Equilibrium
Title（参考訳）: 立体規則化生体力学平衡による変形性画像登録
Authors: Pablo Alvarez (MIMESIS), St\'ephane Cotin (MIMESIS)
Abstract要約: 本研究は、離散化を必要としない正規化戦略を導入し、現在の登録フレームワークと互換性を持たせた。提案手法は、合成データと実データの両方で良好に動作し、現在の最先端手法に匹敵する精度を示す。
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: Numerous regularization methods for deformable image registration aim at enforcing smooth transformations, but are difficult to tune-in a priori and lack a clear physical basis. Physically inspired strategies have emerged, offering a sound theoretical basis, but still necessitating complex discretization and resolution schemes. This study introduces a regularization strategy that does not require discretization, making it compatible with current registration frameworks, while retaining the benefits of physically motivated regularization for medical image registration. The proposed method performs favorably in both synthetic and real datasets, exhibiting an accuracy comparable to current state-of-the-art methods.
Abstract（参考訳）: 変形可能な画像登録のための多数の正規化手法は、スムーズな変換を強制することを目的としているが、事前調整が困難であり、明確な物理的基盤が欠如している。物理的にインスピレーションを受けた戦略が出現し、健全な理論的基礎を提供するが、それでも複雑な離散化と解決のスキームを必要とする。本研究は, 医用画像登録の物理的動機付けによる正規化のメリットを維持しつつ, 離散化を必要としない正規化戦略を導入し, 現行の登録フレームワークと互換性を持たせた。提案手法は合成データと実データの両方において好適に動作し,現在の最先端手法に匹敵する精度を示す。

関連論文リスト

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)
Learning Homeomorphic Image Registration via Conformal-Invariant Hyperelastic Regularisation [9.53064372566798]
共形不変性に基づく変形可能な画像登録のための新しいフレームワークを提案する。我々の正規化器は、変形場が滑らかで、可逆で、配向保存されるように強制する。我々は,数値的および視覚的な実験を通じて,我々のフレームワークが現在の画像登録技術より優れていることを実証した。
論文参考訳（メタデータ） (2023-03-14T17:47:18Z)
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)
DiffuseMorph: Unsupervised Deformable Image Registration Along Continuous Trajectory Using Diffusion Models [31.826844124173984]
DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。本モデルは,動画像と固定画像の変形のスコア関数を学習する。本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
論文参考訳（メタデータ） (2021-12-09T08:41:23Z)
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 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)
Double-Uncertainty Assisted Spatial and Temporal Regularization Weighting for Learning-based Registration [24.845259459450666]
平均教師による登録フレームワークを提案する。このフレームワークは、教師モデルの時間的アンサンブル予測を奨励することにより、追加の時空間正規化用語を組み込む。トレーニングの各ステップでは、テキスト空間正規化とテキスト空間正規化の重みを自動的に調整する。
論文参考訳（メタデータ） (2021-07-06T07:19:49Z)
Constraining Volume Change in Learned Image Registration for Lung CTs [4.37795447716986]
本稿では,従来の肺登録法の重要な戦略を特定し,深層学習法の開発に成功した。我々は、粗い方法で画像登録の最適化を解くことができるガウスピラミドに基づくマルチレベルフレームワークを採用している。本研究は, COPDGeneデータセット上で, 従来よりもはるかに短い実行時間で, 従来の登録方式と比較して, 最先端の成果をアーカイブすることを示す。
論文参考訳（メタデータ） (2020-11-29T14:09:31Z)
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)
Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。