論文の概要: Bayesian Intrinsic Groupwise Image Registration: Unsupervised
Disentanglement of Anatomy and Geometry
- arxiv url: http://arxiv.org/abs/2401.02141v1
- Date: Thu, 4 Jan 2024 08:46:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-05 15:31:56.781426
- Title: Bayesian Intrinsic Groupwise Image Registration: Unsupervised
Disentanglement of Anatomy and Geometry
- Title(参考訳): ベイズ内在性集団画像登録:解剖学と幾何学の教師なし遠絡
- Authors: Xinzhe Luo, Xin Wang, Linda Shapiro, Chun Yuan, Jianfeng Feng, Xiahai
Zhuang
- Abstract要約: 本稿では,医用画像の集団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得られた4つの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。
- 参考スコア(独自算出の注目度): 53.645443644821306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This article presents a general Bayesian learning framework for multi-modal
groupwise registration on medical images. The method builds on probabilistic
modelling of the image generative process, where the underlying common anatomy
and geometric variations of the observed images are explicitly disentangled as
latent variables. Thus, groupwise registration is achieved through the solution
to Bayesian inference. We propose a novel hierarchical variational
auto-encoding architecture to realize the inference procedure of the latent
variables, where the registration parameters can be calculated in a
mathematically interpretable fashion. Remarkably, this new paradigm can learn
groupwise registration in an unsupervised closed-loop self-reconstruction
process, sparing the burden of designing complex intensity-based similarity
measures. The computationally efficient disentangled architecture is also
inherently scalable and flexible, allowing for groupwise registration on
large-scale image groups with variable sizes. Furthermore, the inferred
structural representations from disentanglement learning are capable of
capturing the latent anatomy of the observations with visual semantics.
Extensive experiments were conducted to validate the proposed framework,
including four datasets from cardiac, brain and abdominal medical images. The
results have demonstrated the superiority of our method over conventional
similarity-based approaches in terms of accuracy, efficiency, scalability and
interpretability.
- Abstract(参考訳): 本稿では,医療画像のマルチモーダルグループ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。
この手法は、画像生成過程の確率論的モデリングに基づいており、観測された画像の基本的な共通解剖学と幾何学的バリエーションは、潜在変数として明示的に分離される。
したがって、群分解はベイズ推論の解によって達成される。
登録パラメータを数学的に解釈可能な方法で計算できる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。
驚くべきことに、この新しいパラダイムは、教師なしのクローズドループ自己再構築プロセスでグループ毎の登録を学習することができ、複雑な強度に基づく類似性尺度の設計の負担を軽減できる。
計算効率のよい異方性アーキテクチャも本質的にスケーラブルで柔軟性があり、可変サイズの大規模画像群をグループ的に登録することができる。
さらに、乱れ学習から推定された構造表現は、視覚的意味論を用いて観測の潜在解剖を捉えることができる。
心, 脳, 腹部医用画像からの4つのデータセットを含む, 提案した枠組みの検証実験を行った。
その結果,従来の類似性に基づく手法に比べて,精度,効率,スケーラビリティ,解釈可能性の面で優位性が示された。
関連論文リスト
- Modality-Agnostic Structural Image Representation Learning for
Deformable Multi-Modality Medical Image Registration [22.7527360372462]
本稿では,識別的・コントラスト的・非分散的な深部構造画像表現を学習するためのモダリティ非依存的構造表現学習法を提案する。
本手法は,従来の局所的構造表現や統計的類似度尺度よりも識別性と精度の点で優れている。
論文 参考訳(メタデータ) (2024-02-29T08:01:31Z) - Structure-aware registration network for liver DCE-CT images [50.28546654316009]
セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。
提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
論文 参考訳(メタデータ) (2023-03-08T14:08:56Z) - 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) - $\mathcal{X}$-Metric: An N-Dimensional Information-Theoretic Framework
for Groupwise Registration and Deep Combined Computing [14.36896617430302]
本稿では, 統計的依存性を推定し, 医用画像間の解剖学的対応を見出すための一般的な確率的枠組みを提案する。
この方法は、共通解剖学を潜伏変数として表現することで、$N$次元の関節強度分布の新たな定式化に基づいている。
マルチモーダルなグループワイド登録,ダイナミックコントラスト強調磁気共鳴画像の運動補正,マルチモーダルな医用画像のディープコンバインド計算など,モデルの汎用性と適用性を示す実験を行った。
論文 参考訳(メタデータ) (2022-11-03T07:39:10Z) - Bayesian intrinsic groupwise registration via explicit hierarchical
disentanglement [18.374535632681884]
階層的ベイズ推論の手順としてグループ登録を定式化する一般的な枠組みを提案する。
本稿では, 共用構造表現の共用学習を容易にする, 後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後
その結果,マルチモーダルなグループ登録をエンドツーエンドで実現するためのフレームワークの有効性が示された。
論文 参考訳(メタデータ) (2022-06-06T06:13:24Z) - Orthogonal Ensemble Networks for Biomedical Image Segmentation [10.011414604407681]
モデル多様性を明示する新しいフレームワークであるOrthogonal Ensemble Networks (OEN)を紹介する。
提案手法を2つの課題脳病変セグメンテーションタスクでベンチマークする。
実験結果から,本手法はより頑健でよく校正されたアンサンブルモデルを生成することが示された。
論文 参考訳(メタデータ) (2021-05-22T23:44:55Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - Orientation-Disentangled Unsupervised Representation Learning for
Computational Pathology [6.468635277309852]
本稿では,回転同変畳み込みネットワークの群構造を利用して,変分自動エンコーダフレームワークの拡張を提案する。
訓練されたモデルが単一セル画像の固有方向情報を効率的に切り離すことを示す。
論文 参考訳(メタデータ) (2020-08-26T16:57:45Z) - 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) - 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。
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。