論文の概要: ConKeD: Multiview contrastive descriptor learning for keypoint-based retinal image registration

• arxiv url: http://arxiv.org/abs/2401.05901v1
• Date: Thu, 11 Jan 2024 13:22:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-12 14:40:19.384901
• Title: ConKeD: Multiview contrastive descriptor learning for keypoint-based retinal image registration
• Title（参考訳）: conked:keypointベースの網膜画像登録のためのマルチビューコントラスト記述子学習
• Authors: David Rivas-Villar, \'Alvaro S. Hervella, Jos\'e Rouco, Jorge Novo
• Abstract要約: 網膜画像登録のための記述子を学習するための新しい深層学習手法であるConKeDを提案する。 現在の登録方式とは対照的に,本手法では,新しい多正多負のコントラスト学習戦略を採用している。 本実験は, 新規多陽性多負戦略の利点を実証するものである。
• 参考スコア（独自算出の注目度）: 3.740062413173583
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Retinal image registration is of utmost importance due to its wide applications in medical practice. In this context, we propose ConKeD, a novel deep learning approach to learn descriptors for retinal image registration. In contrast to current registration methods, our approach employs a novel multi-positive multi-negative contrastive learning strategy that enables the utilization of additional information from the available training samples. This makes it possible to learn high quality descriptors from limited training data. To train and evaluate ConKeD, we combine these descriptors with domain-specific keypoints, particularly blood vessel bifurcations and crossovers, that are detected using a deep neural network. Our experimental results demonstrate the benefits of the novel multi-positive multi-negative strategy, as it outperforms the widely used triplet loss technique (single-positive and single-negative) as well as the single-positive multi-negative alternative. Additionally, the combination of ConKeD with the domain-specific keypoints produces comparable results to the state-of-the-art methods for retinal image registration, while offering important advantages such as avoiding pre-processing, utilizing fewer training samples, and requiring fewer detected keypoints, among others. Therefore, ConKeD shows a promising potential towards facilitating the development and application of deep learning-based methods for retinal image registration.
• Abstract（参考訳）: 網膜画像登録は医療に広く応用されているため、最も重要である。 本研究では,網膜画像登録のための記述子を学習するための新しい深層学習手法であるConKeDを提案する。 現在の登録方法とは対照的に,本手法では,利用可能なトレーニングサンプルから追加情報を活用することができる,新しい多正多負のコントラスト学習戦略を採用している。 これにより、限られたトレーニングデータから高品質な記述子を学ぶことができる。 conkedを訓練し評価するために、これらの記述子とドメイン固有のキーポイント、特に深層ニューラルネットワークを用いて検出される血管分岐とクロスオーバーを組み合わせる。 実験結果から, 広範に使用されている三重項損失技術(単正・単負)と, 単正の多負の代替手段に勝るものとして, 新規多負戦略の利点が示された。 さらに、ドメイン固有のキーポイントと組み合わせることで、前処理の回避、トレーニングサンプルの削減、検出されたキーポイントの削減といった重要な利点を享受しながら、網膜画像登録に関する最先端の方法と同等の結果が得られる。 したがって、conkedは、網膜画像登録のための深層学習ベースの方法の開発と応用を促進するための有望な可能性を示している。

関連論文リスト

• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• Self-Supervised Endoscopic Image Key-Points Matching [1.3764085113103222]
  本稿では,深層学習技術に基づく内視鏡画像マッチングのための新しい自己教師型アプローチを提案する。 提案手法は,手作りの標準的なローカル特徴記述子よりも精度とリコールの点で優れていた。
  論文  参考訳（メタデータ） (2022-08-24T10:47:21Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Mutual information neural estimation for unsupervised multi-modal registration of brain images [0.0]
  エンド・ツー・エンドのトレーニング可能なネットワークにおける画像ペア間のMI推定による深層学習に基づく登録手法の学習指導について提案する。 以上の結果から,2層ネットワークは単モードとマルチモーダルの両方で,サブ秒のランタイムで競合する結果が得られることがわかった。 リアルタイム臨床応用は、解剖学的構造の視覚的整合性が向上し、登録障害/アウトリージが減少するのに役立つだろう。
  論文  参考訳（メタデータ） (2022-01-25T13:22:34Z)
• A Keypoint Detection and Description Network Based on the Vessel Structure for Multi-Modal Retinal Image Registration [0.0]
  異なるモダリティや取得時間を持つ複数の画像は、網膜疾患の診断のためにしばしば分析される。 本手法は、畳み込みニューラルネットワークを用いて、多モード網膜画像の血管構造の特徴を抽出する。
  論文  参考訳（メタデータ） (2022-01-06T20:43:35Z)
• Self-Supervised Learning from Unlabeled Fundus Photographs Improves Segmentation of the Retina [4.815051667870375]
  基礎撮影は網膜イメージングの第一の方法であり、糖尿病網膜症予防に必須である。 現在のセグメンテーション法は、実際の臨床応用に典型的な画像条件や病理の多様性に対して堅牢ではない。 コントラスト型自己教師型学習を用いて,EyePACSデータセットの多種多様な未ラベル画像を利用する。
  論文  参考訳（メタデータ） (2021-08-05T18:02:56Z)
• Colorectal Polyp Classification from White-light Colonoscopy Images via Domain Alignment [57.419727894848485]
  大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。 これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。 正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-08-05T09:31:46Z)
• Multi-Label Image Classification with Contrastive Learning [57.47567461616912]
  コントラスト学習の直接適用は,複数ラベルの場合においてほとんど改善できないことを示す。 完全教師付き環境下でのコントラスト学習を用いたマルチラベル分類のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-07-24T15:00:47Z)
• Deep Multilabel CNN for Forensic Footwear Impression Descriptor Identification [0.9786690381850356]
  我々は、法医学的ユースケースにおいて、Emphdescriptorsとして知られる履物印象の特徴を分類するために、深層学習アプローチを採用する。 我々は、異なるドメインのデータに基づいて事前訓練されたニューラルネットワークに、サンプル化されたグレースケールインプレッションを供給するための技術を開発し、評価する。
  論文  参考訳（メタデータ） (2021-02-09T19:39:28Z)
• CSI: Novelty Detection via Contrastive Learning on Distributionally Shifted Instances [77.28192419848901]
  コントラストシフトインスタンス (CSI) という,単純かつ効果的な手法を提案する。 従来のコントラスト学習法のように,サンプルを他の例と対比することに加えて,本トレーニング手法では,サンプルを分散シフトによる拡張と対比する。 本実験は, 種々の新規検出シナリオにおける本手法の優位性を実証する。
  論文  参考訳（メタデータ） (2020-07-16T08:32:56Z)
• Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
  本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。 提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。 検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
  論文  参考訳（メタデータ） (2020-06-25T21:10:04Z)

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。