論文の概要: A Tournament of Transformation Models: B-Spline-based vs. Mesh-based
Multi-Objective Deformable Image Registration
- arxiv url: http://arxiv.org/abs/2401.16867v1
- Date: Tue, 30 Jan 2024 10:17:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 15:31:11.756255
- Title: A Tournament of Transformation Models: B-Spline-based vs. Mesh-based
Multi-Objective Deformable Image Registration
- Title（参考訳）: B-Spline-based vs. Mesh-based Multi-Objective Deformable Image Registration
- Authors: Georgios Andreadis, Joas I. Mulder, Anton Bouter, Peter A. N. Bosman,
Tanja Alderliesten
- Abstract要約: B-スプラインモデルとメッシュ変換モデルとの直接比較を行う。
子宮頸癌患者の骨盤CTによる2種類の登録問題を比較検討した。
子宮頸癌患者3名を対象に, トランスフォーメーションモデルの選択が登録結果の多様性と品質に重大な影響を及ぼす可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.44998333629984877
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The transformation model is an essential component of any deformable image
registration approach. It provides a representation of physical deformations
between images, thereby defining the range and realism of registrations that
can be found. Two types of transformation models have emerged as popular
choices: B-spline models and mesh models. Although both models have been
investigated in detail, a direct comparison has not yet been made, since the
models are optimized using very different optimization methods in practice.
B-spline models are predominantly optimized using gradient-descent methods,
while mesh models are typically optimized using finite-element method solvers
or evolutionary algorithms. Multi-objective optimization methods, which aim to
find a diverse set of high-quality trade-off registrations, are increasingly
acknowledged to be important in deformable image registration. Since these
methods search for a diverse set of registrations, they can provide a more
complete picture of the capabilities of different transformation models, making
them suitable for a comparison of models. In this work, we conduct the first
direct comparison between B-spline and mesh transformation models, by
optimizing both models with the same state-of-the-art multi-objective
optimization method, the Multi-Objective Real-Valued Gene-pool Optimal Mixing
Evolutionary Algorithm (MO-RV-GOMEA). The combination with B-spline
transformation models, moreover, is novel. We experimentally compare both
models on two different registration problems that are both based on pelvic CT
scans of cervical cancer patients, featuring large deformations. Our results,
on three cervical cancer patients, indicate that the choice of transformation
model can have a profound impact on the diversity and quality of achieved
registration outcomes.
- Abstract（参考訳）: 変換モデルは、任意の変形可能な画像登録アプローチの重要な構成要素である。
画像間の物理的変形の表現を提供し、それによって発見できる登録の範囲と現実性を定義する。
Bスプラインモデルとメッシュモデルという2種類のトランスフォーメーションモデルが人気である。
どちらのモデルも詳細に検討されているが、実際には全く異なる最適化手法を用いて最適化されているため、直接比較は行われていない。
b-スプラインモデルは主に勾配拡散法を用いて最適化されるが、メッシュモデルは通常有限要素法解法や進化アルゴリズムを用いて最適化される。
多様な高品質なトレードオフ登録を見つけることを目的とした多目的最適化手法は,変形可能な画像登録において重要視されつつある。
これらの手法は多様な登録の集合を探索するので、異なる変換モデルの能力のより完全な図を提供することができ、モデルの比較に適している。
本研究では,同一の最先端多目的最適化法であるmo-rv-gomea(multi-objective real-valued gene-pool optimal mixing evolution algorithm)を用いて,b-splineモデルとメッシュ変換モデルの直接比較を行った。
さらに、B-スプライン変換モデルの組み合わせは、新しいものである。
頸部癌患者の骨盤CTで得られた2つの異なる登録問題のモデルを比較し,大きな変形を特徴とした。
以上の結果から,子宮頸癌患者3例において,トランスフォーメーションモデルの選択が登録結果の多様性と品質に大きな影響を与える可能性が示唆された。
関連論文リスト
- EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳（メタデータ） (2024-05-23T05:25:45Z) - MOREA: a GPU-accelerated Evolutionary Algorithm for Multi-Objective
Deformable Registration of 3D Medical Images [0.7734726150561088]
大規模な変形に対処可能な3次元画像の変形可能な登録のための,最初の進化的アルゴリズムに基づくアプローチであるMOREAを提案する。
MOREAには物理可視性のための3Dバイオメカニカルメッシュモデルが含まれており、完全にGPUアクセラレーションされている。
頸部癌4例の腹部CT検査におけるMOREAの有用性について検討した。
論文 参考訳（メタデータ） (2023-03-08T20:26:55Z) - Model soups: averaging weights of multiple fine-tuned models improves
accuracy without increasing inference time [69.7693300927423]
複数モデルの重み付けを異なるパラメータ構成で微調整することにより,精度とロバスト性が向上することを示す。
モデルスープ手法は,複数の画像分類や自然言語処理タスクにまで拡張されている。
論文 参考訳（メタデータ） (2022-03-10T17:03:49Z) - Multi-Objective Dual Simplex-Mesh Based Deformable Image Registration
for 3D Medical Images -- Proof of Concept [0.7734726150561088]
本研究は,単純なメッシュに基づく3次元デュアルダイナミックグリッド変換モデルを用いて,多目的3次元変形可能な画像登録のための最初の手法を提案する。
概念実証プロトタイプは, 総合的, 臨床的な3D登録問題に対して有望な結果を示した。
論文 参考訳（メタデータ） (2022-02-22T16:07:29Z) - IMACS: Image Model Attribution Comparison Summaries [16.80986701058596]
我々は,勾配に基づくモデル属性とアグリゲーションと可視化技術を組み合わせたIMACSを提案する。
IMACSは評価データセットから適切な入力特徴を抽出し、類似性に基づいてクラスタ化し、類似した入力特徴に対するモデル属性の違いを可視化する。
本稿では,衛星画像上で訓練した2つのモデル間の領域シフトによる行動差を明らかにする方法を示す。
論文 参考訳（メタデータ） (2022-01-26T21:35:14Z) - Dynamic multi feature-class Gaussian process models [0.0]
本研究では, 医用画像における形状, ポーズ, 強度特徴の自動学習のための統計的モデリング手法を提案する。
DMFC-GPM (DMFC-GPM) はガウス過程(GP)に基づくモデルであり、線形および非線形の変動を符号化する潜在空間を共有する。
モデル性能の結果は、この新しいモデリングパラダイムが堅牢で、正確で、アクセス可能であり、潜在的な応用があることを示唆している。
論文 参考訳（メタデータ） (2021-12-08T15:12:47Z) - Image Deformation Estimation via Multi-Objective Optimization [13.159751065619544]
自由形変形モデルは、画像上の制御点格子を操作することにより、幅広い非剛体変形を表現することができる。
フィットネスランドスケープの複雑さのため,変形画像にモデルを直接適合させることは困難である。
論文 参考訳（メタデータ） (2021-06-08T06:52:12Z) - Analogous to Evolutionary Algorithm: Designing a Unified Sequence Model [58.17021225930069]
実演的進化アルゴリズム(EA)と類似した視覚変換器の合理性について説明する。
我々は、より効率的なEATモデルを提案し、様々なタスクに柔軟に対処するタスク関連ヘッドを設計する。
近年のビジョントランスに比べて,イメージネット分類作業における最先端の成果が得られている。
論文 参考訳（メタデータ） (2021-05-31T16:20:03Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - 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。