論文の概要: Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration

• arxiv url: http://arxiv.org/abs/2401.02141v2
• Date: Fri, 04 Oct 2024 13:29:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-07 15:07:12.054410
• Title: Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration
• Title（参考訳）: 深部グループ画像登録のためのベイズアン教師なし解剖と幾何学のアンタングル
• Authors: Xinzhe Luo, Xin Wang, Linda Shapiro, Chun Yuan, Jianfeng Feng, Xiahai Zhuang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.62725807357586
• License:
• Abstract: This article presents a general Bayesian learning framework for multi-modal groupwise image registration. 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. Therefore, groupwise image registration is achieved via hierarchical Bayesian inference. We propose a novel hierarchical variational auto-encoding architecture to realise the inference procedure of the latent variables, where the registration parameters can be explicitly estimated in a mathematically interpretable fashion. Remarkably, this new paradigm learns groupwise image registration in an unsupervised closed-loop self-reconstruction process, sparing the burden of designing complex image-based similarity measures. The computationally efficient disentangled network 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 multi-modal images via 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 different 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,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。 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的および幾何学的バリエーションは、潜伏変数として明示的に非絡み合っている。 したがって、階層的ベイズ推論によってグループワイド画像登録が達成される。 本稿では,代用変数の推論手順を数学的に解釈可能な方法で明示的に推定できる階層的変分自動符号化アーキテクチャを提案する。 注目すべきは、この新パラダイムは、教師なし閉ループ自己再構成プロセスにおいて、複雑な画像ベース類似度尺度を設計する際の負担を軽減し、グループ的に画像登録を学ぶことである。 計算効率のよい不整合ネットワークアーキテクチャは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,マルチモーダル画像からの歪み学習による構造表現は,視覚的意味論による観測の潜在解剖学を捉えることができる。 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ために大規模な実験を行った。 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

• 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)
• Unsupervised Multimodal Change Detection Based on Structural Relationship Graph Representation Learning [40.631724905575034]
  教師なしマルチモーダル変化検出は、時間に敏感な緊急アプリケーションにおいて重要な役割を果たす、実用的で困難なトピックである。 マルチモーダル画像における2種類のモダリティ非依存構造関係を利用する。 本稿では,2つの構造関係の類似性を測定するための構造関係グラフ表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-03T13:55:08Z)
• 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)
• 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)
• SIR: Self-supervised Image Rectification via Seeing the Same Scene from Multiple Different Lenses [82.56853587380168]
  本稿では、異なるレンズからの同一シーンの歪み画像の補正結果が同一であるべきという重要な知見に基づいて、新しい自己監督画像補正法を提案する。 我々は、歪みパラメータから修正画像を生成し、再歪み画像を生成するために、微分可能なワープモジュールを利用する。 本手法は,教師付きベースライン法や代表的最先端手法と同等あるいはそれ以上の性能を実現する。
  論文  参考訳（メタデータ） (2020-11-30T08:23:25Z)
• 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)
• 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)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。