論文の概要: Neural Ordinary Differential Equation based Sequential Image Registration for Dynamic Characterization

• arxiv url: http://arxiv.org/abs/2404.02106v1
• Date: Tue, 2 Apr 2024 17:04:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-03 15:30:03.143448
• Title: Neural Ordinary Differential Equation based Sequential Image Registration for Dynamic Characterization
• Title（参考訳）: ニューラル正規微分方程式に基づく動的キャラクタリゼーションのための逐次画像登録
• Authors: Yifan Wu, Mengjin Dong, Rohit Jena, Chen Qin, James C. Gee,
• Abstract要約: この拡張研究は、このフレームワークがシーケンシャルな生物学的プロセスのキャラクタリゼーションにどのように役立つかを論じる。 我々の枠組みは、ボクセルを力学系の粒子とみなし、ニューラル微分方程式の積分による変形場を定義する。 心臓運動追跡用と経時的脳MRI画像解析用の2つの臨床データセットについて検討した。
• 参考スコア（独自算出の注目度）: 13.492983263194636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable image registration (DIR) is crucial in medical image analysis, enabling the exploration of biological dynamics such as organ motions and longitudinal changes in imaging. Leveraging Neural Ordinary Differential Equations (ODE) for registration, this extension work discusses how this framework can aid in the characterization of sequential biological processes. Utilizing the Neural ODE's ability to model state derivatives with neural networks, our Neural Ordinary Differential Equation Optimization-based (NODEO) framework considers voxels as particles within a dynamic system, defining deformation fields through the integration of neural differential equations. This method learns dynamics directly from data, bypassing the need for physical priors, making it exceptionally suitable for medical scenarios where such priors are unavailable or inapplicable. Consequently, the framework can discern underlying dynamics and use sequence data to regularize the transformation trajectory. We evaluated our framework on two clinical datasets: one for cardiac motion tracking and another for longitudinal brain MRI analysis. Demonstrating its efficacy in both 2D and 3D imaging scenarios, our framework offers flexibility and model agnosticism, capable of managing image sequences and facilitating label propagation throughout these sequences. This study provides a comprehensive understanding of how the Neural ODE-based framework uniquely benefits the image registration challenge.
• Abstract（参考訳）: 変形可能な画像登録(DIR)は、臓器運動などの生物学的ダイナミクスの探索や、画像の縦方向の変化を可能にする医療画像解析において重要である。 ニューラル正規微分方程式(ODE)を登録に利用し、この拡張作業は、このフレームワークがシーケンシャルな生物学的プロセスのキャラクタリゼーションにどのように役立つかを論じる。 ニューラルネットワークを用いて状態微分をモデル化するNeural ODEの能力を利用することで、我々のNeural Ordinary Differential Equation Optimization-based (NODEO)フレームワークは、ボクセルを動的システム内の粒子とみなし、ニューラル微分方程式の統合による変形場を定義する。 この方法はデータから直接ダイナミックスを学習し、物理的プリエントの必要性を回避し、そのようなプリエントが利用できない、あるいは適用できない医療シナリオに非常に適している。 これにより、基盤となるダイナミクスを識別し、シーケンスデータを使用して変換軌道を規則化することが可能になる。 心臓運動追跡用と経時的脳MRI画像解析用の2つの臨床データセットについて検討した。 本フレームワークは,2次元および3次元画像シナリオにおいて有効性を示すとともに,画像シーケンスの管理とラベルの伝播を容易にする柔軟性とモデル非依存性を提供する。 この研究は、Neural ODEベースのフレームワークが、画像登録の難しさにどのように貢献するかを包括的に理解する。

関連論文リスト

• Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
  クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。 本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。 臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
  論文  参考訳（メタデータ） (2024-09-18T13:40:59Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Deep Representations for Time-varying Brain Datasets [4.129225533930966]
  本稿では、領域マップされたfMRIシーケンスと構造接続性の両方を入力として組み込んだ効率的なグラフニューラルネットワークモデルを構築する。 サンプルレベルの適応的隣接行列を学習することで、潜伏する脳のダイナミクスのよい表現を見つけ出す。 これらのモジュールは容易に適応でき、神経科学領域以外の用途にも有用である可能性がある。
  論文  参考訳（メタデータ） (2022-05-23T21:57:31Z)
• Neural Implicit Representations for Physical Parameter Inference from a Single Video [49.766574469284485]
  本稿では,外見モデルのためのニューラル暗黙表現と,物理現象をモデル化するためのニューラル常微分方程式(ODE)を組み合わせることを提案する。 提案モデルでは,大規模なトレーニングデータセットを必要とする既存のアプローチとは対照的に,単一のビデオから物理的パラメータを識別することが可能になる。 ニューラル暗示表現を使用することで、高解像度ビデオの処理とフォトリアリスティック画像の合成が可能になる。
  論文  参考訳（メタデータ） (2022-04-29T11:55:35Z)
• Unsupervised Image Registration Towards Enhancing Performance and Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
  モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。 本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。 本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
  論文  参考訳（メタデータ） (2022-03-07T12:54:33Z)
• Latent linear dynamics in spatiotemporal medical data [0.0]
  逐次的画像のみに基づいて,システムの基盤となるダイナミクスを識別する教師なしモデルを提案する。 モデルは、入力を隠れ状態過程と観察された潜伏過程の間に線形関係が保たれる低次元潜伏空間にマッピングする。 システムダイナミクスの知識は、デノイジング、欠落値のインプテーション、将来の画像フレームの補間を可能にする。
  論文  参考訳（メタデータ） (2021-03-01T11:42:21Z)
• Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
  ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。 トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。 しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
  論文  参考訳（メタデータ） (2020-02-22T22:12:56Z)

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。