論文の概要: FireANTs: Adaptive Riemannian Optimization for Multi-Scale Diffeomorphic Matching

• arxiv url: http://arxiv.org/abs/2404.01249v2
• Date: Fri, 17 Jan 2025 05:13:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:57:47.137691
• Title: FireANTs: Adaptive Riemannian Optimization for Multi-Scale Diffeomorphic Matching
• Title（参考訳）: FireANTs: マルチスケール微分型マッチングのための適応リーマン最適化
• Authors: Rohit Jena, Pratik Chaudhari, James C. Gee,
• Abstract要約: 微分同相画像マッチングアルゴリズムの最も批判的で実証された側面の1つは、その極めて条件の悪い性質である。 我々は、典型的なMRIマッチングタスクにおける不条件の程度を定量的に把握し、微分同相マッチングのための適応最適化アルゴリズムの必要性を動機づける。 ファイアラントは、非ユークリッドな微分同相空間におけるこの条件を緩和するために、運動量の概念とヘッセンの適応推定を一般化する。 我々の厳密な数学的結果と運用上の貢献は、目覚ましい精度と頑健さで一般的な画像データに適用できる最先端の密マッチングアルゴリズムに繋がる。
• 参考スコア（独自算出の注目度）: 20.34181966545357
• License:
• Abstract: The paper proposes FireANTs, the first multi-scale Adaptive Riemannian Optimization algorithm for dense diffeomorphic image matching. One of the most critical and understudied aspects of diffeomorphic image matching algorithms are its highly ill-conditioned nature. We quantitatively capture the extent of ill-conditioning in a typical MRI matching task, motivating the need for an adaptive optimization algorithm for diffeomorphic matching. To this end, FireANTs generalizes the concept of momentum and adaptive estimates of the Hessian to mitigate this ill-conditioning in the non-Euclidean space of diffeomorphisms. Unlike common non-Euclidean manifolds, we also formalize considerations for multi-scale optimization of diffeomorphisms. Our rigorous mathematical results and operational contributions lead to a state-of-the-art dense matching algorithm that can be applied to generic image data with remarkable accuracy and robustness. We demonstrate consistent improvements in image matching performance across a spectrum of community-standard medical and biological correspondence matching challenges spanning a wide variety of image modalities, anatomies, resolutions, acquisition protocols, and preprocessing pipelines. This improvement is supplemented by from 300x up to 3200x speedup over existing state-of-the-art algorithms. For the first time, we perform diffeomorphic matching of sub-micron mouse cortex volumes at native resolution. Our fast implementation also enables hyperparameter studies that were intractable with existing correspondence matching algorithms.
• Abstract（参考訳）: 本稿では,高次微分同相画像マッチングのためのマルチスケール適応リーマン最適化アルゴリズムであるFireANTsを提案する。 微分同相画像マッチングアルゴリズムの最も批判的で実証された側面の1つは、その極めて条件の悪い性質である。 我々は、典型的なMRIマッチングタスクにおける不条件の程度を定量的に把握し、微分同相マッチングのための適応最適化アルゴリズムの必要性を動機づける。 この目的のために、ファイアラントは運動量の概念とヘッセンの適応推定を一般化し、非ユークリッドな微分同相空間における悪条件を緩和する。 一般的な非ユークリッド多様体とは異なり、微分同相写像のマルチスケール最適化に関する考察も形式化する。 我々の厳密な数学的結果と運用上の貢献は、目覚ましい精度と頑健さで一般的な画像データに適用できる最先端の密マッチングアルゴリズムに繋がる。 我々は,様々な画像モダリティ,解剖学,解像度,取得プロトコル,前処理パイプラインにまたがる,地域標準の医療・生物対応の課題に対して,画像マッチング性能を一貫した改善を行った。 この改善は、既存の最先端アルゴリズムよりも300倍から3200倍のスピードアップで補われている。 マウス下大脳皮質容積の微分同相性マッチングを自然分解能で行った。 我々の高速な実装は、既存の対応マッチングアルゴリズムで抽出可能なハイパーパラメータの研究を可能にする。

関連論文リスト

• Deep Implicit Optimization for Robust and Flexible Image Registration [20.34181966545357]
  ディープネットワークの層として最適化を取り入れることで,古典的手法と学習的手法のギャップを埋める。 繰り返し最適化によるエンド・ツー・エンドの識別を暗黙的に行うことで、学習した特徴は登録とラベル認識である。 我々のフレームワークは、ドメイン内のデータセットで優れたパフォーマンスを示し、ドメインシフトに依存しない。
  論文  参考訳（メタデータ） (2024-06-11T15:28:48Z)
• Optimize and Reduce: A Top-Down Approach for Image Vectorization [12.998637003026273]
  高速かつドメインに依存しないベクトル化へのトップダウンアプローチであるOptimize & Reduce (O&R)を提案する。 O&Rの目的は、B'ezier曲線パラメータを反復的に最適化することで、入力画像のコンパクトな表現を実現することである。 提案手法はドメインに依存しないものであり,固定された形状に対する再現性および知覚的品質の両方において,既存の作品よりも優れることを示す。
  論文  参考訳（メタデータ） (2023-12-18T16:41:03Z)
• SAME++: A Self-supervised Anatomical eMbeddings Enhanced medical image registration framework using stable sampling and regularized transformation [19.683682147655496]
  本研究では,自己監督型解剖学的eMbeddingアルゴリズムを用いて,非教師付き3次元医用画像登録のための高速かつ高精度な手法を提案する。 我々は、画像登録をアフィン変換、粗い変形、深度非パラメトリック変換、インスタンス最適化の4つのステップに分割するアプローチSAM-Enhanced registration (SAME++) を命名した。 完全な登録フレームワークとして、Mate++はDiceスコアの点で、リードメソッドの4.2%$ - 8.2%$を著しく上回っている。
  論文  参考訳（メタデータ） (2023-11-25T10:11:04Z)
• Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
  画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。 また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
  論文  参考訳（メタデータ） (2023-02-23T06:16:15Z)
• Anatomy-aware and acquisition-agnostic joint registration with SynthMorph [6.017634371712142]
  アフィン画像登録は、医用画像解析の基盤となっている。 ディープラーニング(DL)メソッドは、画像対を出力変換にマッピングする関数を学ぶ。 ほとんどのアフィン法は、ユーザが調整したい解剖学に依存しない。つまり、アルゴリズムが画像のすべての構造を考慮すれば、登録は不正確なものになる。 われわれはこれらの欠点をSynthMorphで解決する。これは高速で対称で、微分型で使い易いDLツールで、任意の脳画像の関節アフィン変形性登録を行う。
  論文  参考訳（メタデータ） (2023-01-26T18:59:33Z)
• Automated Learning for Deformable Medical Image Registration by Jointly Optimizing Network Architectures and Objective Functions [69.6849409155959]
  本稿では、アーキテクチャとそれに対応する学習目標の両方を協調的に最適化する自動学習登録アルゴリズム(AutoReg)を提案する。 マルチサイトボリュームデータセットと各種登録タスクについて,画像登録実験を行った。 我々のAutoRegは、与えられたボリュームに対して最適な深層登録ネットワークを自動的に学習し、最先端の性能を達成することができる。
  論文  参考訳（メタデータ） (2022-03-14T01:54:38Z)
• Image-specific Convolutional Kernel Modulation for Single Image Super-resolution [85.09413241502209]
  本稿では,新しい画像特異的畳み込み変調カーネル(IKM)を提案する。 我々は、画像や特徴のグローバルな文脈情報を利用して、畳み込みカーネルを適応的に調整するための注意重みを生成する。 単一画像超解像実験により,提案手法は最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-11-16T11:05:10Z)
• Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
  1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。 また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
  論文  参考訳（メタデータ） (2021-04-30T08:50:24Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)
• 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。