Fugu-MT 論文翻訳(概要): MrRegNet: Multi-resolution Mask Guided Convolutional Neural Network for Medical Image Registration with Large Deformations

論文の概要: MrRegNet: Multi-resolution Mask Guided Convolutional Neural Network for Medical Image Registration with Large Deformations

arxiv url: http://arxiv.org/abs/2405.10068v1
Date: Thu, 16 May 2024 12:57:03 GMT
ステータス: 処理完了
システム内更新日: 2024-05-17 14:12:27.835429
Title: MrRegNet: Multi-resolution Mask Guided Convolutional Neural Network for Medical Image Registration with Large Deformations
Title（参考訳）: MrRegNet: 大規模な変形を伴う医用画像登録のためのマルチレゾリューションマスク誘導畳み込みニューラルネットワーク
Authors: Ruizhe Li, Grazziela Figueredo, Dorothee Auer, Christian Wagner, Xin Chen,
Abstract要約: MrRegNetはマスク誘導型エンコーダデコーダDCNNによる画像登録方式である。セグメンテーションマスクでガイドされた局所領域では画像アライメントの精度が著しく向上する。
参考スコア（独自算出の注目度）: 6.919880141683284
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deformable image registration (alignment) is highly sought after in numerous clinical applications, such as computer aided diagnosis and disease progression analysis. Deep Convolutional Neural Network (DCNN)-based image registration methods have demonstrated advantages in terms of registration accuracy and computational speed. However, while most methods excel at global alignment, they often perform worse in aligning local regions. To address this challenge, this paper proposes a mask-guided encoder-decoder DCNN-based image registration method, named as MrRegNet. This approach employs a multi-resolution encoder for feature extraction and subsequently estimates multi-resolution displacement fields in the decoder to handle the substantial deformation of images. Furthermore, segmentation masks are employed to direct the model's attention toward aligning local regions. The results show that the proposed method outperforms traditional methods like Demons and a well-known deep learning method, VoxelMorph, on a public 3D brain MRI dataset (OASIS) and a local 2D brain MRI dataset with large deformations. Importantly, the image alignment accuracies are significantly improved at local regions guided by segmentation masks. Github link:https://github.com/ruizhe-l/MrRegNet.
Abstract（参考訳）: 変形可能な画像登録(アライメント)は、コンピュータ支援診断や疾患の進行分析など、多くの臨床応用に追われている。ディープ畳み込みニューラルネットワーク(DCNN)に基づく画像登録法は、登録精度と計算速度の面で優位性を示している。しかし、ほとんどの手法は、グローバルなアライメントにおいて優れているが、局所的なアライメントにおいて、より悪いパフォーマンスを発揮することが多い。この課題に対処するため,MrRegNetという名前のDCNNを用いたマスク誘導型エンコーダデコーダの画像登録手法を提案する。このアプローチでは、特徴抽出に多分解能エンコーダを用い、デコーダ内の多分解能変位場を推定して、画像の実質的な変形を処理する。さらに、局所的な調整に向けてモデルの注意を向けるためにセグメンテーションマスクが使用される。提案手法は,3次元脳MRIデータセット(OASIS)および局所2次元脳MRIデータセットにおいて,Demonsやよく知られた深層学習法であるVoxelMorphよりも優れた性能を示した。重要なことは、セグメンテーションマスクでガイドされた局所領域において、画像アライメントの精度が大幅に向上することである。 Githubのリンク:https://github.com/ruizhe-l/MrRegNet.com

関連論文リスト

TransResNet: Integrating the Strengths of ViTs and CNNs for High Resolution Medical Image Segmentation via Feature Grafting [6.987177704136503]
医用画像領域で高解像度画像が好ましいのは、基礎となる方法の診断能力を大幅に向上させるためである。医用画像セグメンテーションのための既存のディープラーニング技術のほとんどは、空間次元が小さい入力画像に最適化されており、高解像度画像では不十分である。我々はTransResNetという並列処理アーキテクチャを提案し、TransformerとCNNを並列的に組み合わせ、マルチ解像度画像から特徴を独立して抽出する。
論文参考訳（メタデータ） (2024-10-01T18:22:34Z)
Progressive Retinal Image Registration via Global and Local Deformable Transformations [49.032894312826244]
我々はHybridRetinaと呼ばれるハイブリッド登録フレームワークを提案する。キーポイント検出器とGAMorphと呼ばれる変形ネットワークを用いて、大域的な変換と局所的な変形可能な変換を推定する。 FIREとFLoRI21という2つの広く使われているデータセットの実験により、提案したHybridRetinaは最先端の手法よりも大幅に優れていることが示された。
論文参考訳（メタデータ） (2024-09-02T08:43:50Z)
Pyramid Attention Network for Medical Image Registration [4.142556531859984]
変形可能な医用画像登録のためのピラミッドアテンションネットワーク(PAN)を提案する。 PANはデュアルストリームピラミッドエンコーダをチャネルワイドで組み込んで特徴表現を強化している。提案手法は,複数のCNNベースおよびTransformerベース登録ネットワークの性能を向上しつつ,良好な登録性能を実現する。
論文参考訳（メタデータ） (2024-02-14T08:46:18Z)
Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-07-31T17:59:42Z)
Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文参考訳（メタデータ） (2023-05-30T14:25:55Z)
A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
論文参考訳（メタデータ） (2021-07-09T13:35:59Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)
Unsupervised MMRegNet based on Spatially Encoded Gradient Information [16.355832135847276]
多次元医用画像は、標的(臓器、腫瘍、組織)に関連性および相補的な解剖情報を提供することができるネットワークトレーニングの堅牢な基準が欠如していることから,マルチモダリティ登録ネットワークの開発は依然として困難である。本研究では,異なるモダリティを持つ複数の画像を対象画像に共同登録可能なマルチモーダル登録ネットワーク(MMRegNet)を提案する。
論文参考訳（メタデータ） (2021-05-16T09:47:42Z)
Deep Convolutional Neural Network for Non-rigid Image Registration [0.0]
本稿では、深層ニューラルネットワーク(dnn)と、より具体的には、深層畳み込みニューラルネットワーク(cnn)の非剛性画像登録を効率的に行う能力について検討する。実験の結果、CNNは非剛体画像の効率的な登録に利用でき、従来のDiffomorphic Demons や Pyramiding に比べて計算時間もかなり少ないことがわかった。
論文参考訳（メタデータ） (2021-04-24T23:24:29Z)
TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
論文参考訳（メタデータ） (2021-02-08T16:10:50Z)
F3RNet: Full-Resolution Residual Registration Network for Deformable Image Registration [21.99118499516863]
変形性画像登録(DIR)は多くの画像誘導療法に必須である。我々は、新しい教師なし登録ネットワーク、すなわちF3RNet(Full-Resolution Residual Registration Network)を提案する。 1つのストリームは、正確なボクセルレベルの登録を容易にするフルレゾリューション情報を利用する。他方のストリームは、深いマルチスケールの残差表現を学習し、ロバストな認識を得る。
論文参考訳（メタデータ） (2020-09-15T15:05:54Z)

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。