論文の概要: MambaMorph: a Mamba-based Framework for Medical MR-CT Deformable
Registration
- arxiv url: http://arxiv.org/abs/2401.13934v2
- Date: Wed, 28 Feb 2024 00:40:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-29 18:03:44.047393
- Title: MambaMorph: a Mamba-based Framework for Medical MR-CT Deformable
Registration
- Title(参考訳): MambaMorph:医療用MR-CT変形性レジストレーションのためのMambaベースのフレームワーク
- Authors: Tao Guo and Yinuo Wang and Shihao Shu and Diansheng Chen and Zhouping
Tang and Cai Meng and Xiangzhi Bai
- Abstract要約: MambaMorphは磁気共鳴(MR)およびCT画像アライメント用に設計された変形可能な登録ネットワークである。
効率的な長距離モデリングと高次元データ処理のためのマンバブロックと、詳細な特徴を学習して登録精度を向上させる特徴抽出器を併用する。
本研究は,マルチモダリティ登録における特徴学習の重要性を浮き彫りにして,MambaMorphをこの分野におけるパスブレージングソリューションとして位置づける。
- 参考スコア(独自算出の注目度): 14.984797417719326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deformable image registration is an essential approach for medical image
analysis.This paper introduces MambaMorph, an innovative multi-modality
deformable registration network, specifically designed for Magnetic Resonance
(MR) and Computed Tomography (CT) image alignment. MambaMorph stands out with
its Mamba-based registration module and a contrastive feature learning
approach, addressing the prevalent challenges in multi-modality registration.
The network leverages Mamba blocks for efficient long-range modeling and
high-dimensional data processing, coupled with a feature extractor that learns
fine-grained features for enhanced registration accuracy. Experimental results
showcase MambaMorph's superior performance over existing methods in MR-CT
registration, underlining its potential in clinical applications. This work
underscores the significance of feature learning in multi-modality registration
and positions MambaMorph as a trailblazing solution in this field. The code for
MambaMorph is available at: https://github.com/Guo-Stone/MambaMorph.
- Abstract(参考訳): 本稿では,磁気共鳴(MR)およびCT(CT)画像アライメントのために設計された,革新的な多モード変形型登録ネットワークであるMambaMorphを紹介する。
mambamorphは、mambaベースの登録モジュールと、マルチモダリティ登録の一般的な課題に対処する、対照的な機能学習アプローチで際立っている。
このネットワークは、効率のよい長距離モデリングと高次元データ処理にMambaブロックを活用するとともに、詳細な特徴を学習して登録精度を向上させる特徴抽出器を備えている。
MambaMorphのMR-CT登録法よりも優れた成績を示し,臨床応用の可能性を明らかにした。
本研究は,マルチモダリティ登録における特徴学習の重要性を浮き彫りにして,MambaMorphをこの分野におけるパスブレージングソリューションとして位置づける。
MambaMorphのコードは、https://github.com/Guo-Stone/MambaMorphで入手できる。
関連論文リスト
- VMambaMorph: a Multi-Modality Deformable Image Registration Framework based on Visual State Space Model with Cross-Scan Module [19.5487294104318]
本稿では,VMambaMorphという画像登録機能を備えたVMambaの探索について紹介する。
新たなハイブリッドVMamba-CNNネットワークは、3D画像登録用に特別に設計されている。
我々は,VMambaMorphを公開ベンチマーク脳MR-CT登録データセットを用いて検証し,その性能を現在の最先端手法と比較した。
論文 参考訳(メタデータ) (2024-04-07T23:10:26Z) - MiM-ISTD: Mamba-in-Mamba for Efficient Infrared Small Target Detection [73.06596715100859]
基本モデルの開発により、赤外線小目標検出(ISTD)は大きな進歩を遂げた。
効率的なISTDのためのMamba-in-Mamba (MiM-ISTD) 構造を調整する。
NUAA-SIRSTとIRSTD-1kを用いた実験により,本手法の精度と効率が向上した。
論文 参考訳(メタデータ) (2024-03-04T15:57:29Z) - MambaMIR: An Arbitrary-Masked Mamba for Joint Medical Image Reconstruction and Uncertainty Estimation [21.179703384340876]
本研究では,マンバをベースとした医用画像再構成モデルであるMambaMIRと,そのジェネレーティブ・アドバーサリアル・ネットワーク・モデルであるMambaMIR-GANを紹介する。
提案したMambaMIRは,線形複雑性,大域受容場,動的重み付けなどの利点を元のMambaモデルから継承する。
高速MRIやSVCTなどの様々な医用画像再構成タスクで行った実験により,MambaMIRとMambaMIR-GANは,最先端の手法と比較して,同等あるいは優れた再建結果が得られることが示された。
論文 参考訳(メタデータ) (2024-02-28T16:24:08Z) - Mamba-UNet: UNet-Like Pure Visual Mamba for Medical Image Segmentation [21.1787366866505]
Mamba-UNetは,医療画像のセグメンテーションにおいてU-Netとマンバの能力を相乗化する新しいアーキテクチャである。
Mamba-UNetは純粋にVisual Mamba(VMamba)ベースのエンコーダデコーダ構造を採用しており、ネットワークのさまざまなスケールで空間情報を保存するためにスキップ接続を注入している。
論文 参考訳(メタデータ) (2024-02-07T18:33:04Z) - Swin-UMamba: Mamba-based UNet with ImageNet-based pretraining [85.08169822181685]
本稿では,医療画像のセグメンテーションに特化して設計された新しいマンバモデルSwin-UMambaを紹介する。
Swin-UMamba は CNN や ViT,最新の Mamba ベースのモデルと比較して,優れたパフォーマンスを示している。
論文 参考訳(メタデータ) (2024-02-05T18:58:11Z) - GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。
我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。
提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
論文 参考訳(メタデータ) (2023-06-26T13:32:09Z) - Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。
これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文 参考訳(メタデータ) (2023-02-05T02:41:46Z) - Advancing Radiograph Representation Learning with Masked Record Modeling [52.04899592688968]
我々は2つの相補的な目的として自己と報告の補完を定式化し、マスク付きレコードモデリング(MRM)に基づく統一的な枠組みを提案する。
MRMは、知識強化されたセマンティック表現を学ぶためのマルチタスクスキームに従って、マスクされた画像パッチとマスクされたレポートトークンを再構築する。
具体的には、MRMはラベル効率の良い微調整において優れた性能を提供する。
論文 参考訳(メタデータ) (2023-01-30T18:33:32Z) - Unsupervised Echocardiography Registration through Patch-based MLPs and
Transformers [6.330832343516528]
この作業では、トランスフォーマーとパッチを使用した3つのイメージ登録用のパッチベースのフレームワークを導入している。
我々は、人気のあるCNN登録モデルよりも同等で、さらに優れた登録性能を示します。
論文 参考訳(メタデータ) (2022-11-21T17:59:04Z) - DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。
本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。
提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
論文 参考訳(メタデータ) (2020-08-20T17:25:16Z) - A coarse-to-fine framework for unsupervised multi-contrast MR image
deformable registration with dual consistency constraint [20.905285486843006]
本稿では, 高精度なマルチコントラストMR画像登録を実現するための, 教師なし学習に基づく新しいフレームワークを提案する。
具体的には、アフィンと変形可能な変換からなるエンドツーエンドの粗いネットワークアーキテクチャを設計する。
提案手法は,CPU上でテストする場合,最も競争力のあるSyN(Affine)よりも約10倍高速である。
論文 参考訳(メタデータ) (2020-08-05T01:16:45Z)
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。