Fugu-MT 論文翻訳(概要): One registration is worth two segmentations

論文の概要: One registration is worth two segmentations

arxiv url: http://arxiv.org/abs/2405.10879v1
Date: Fri, 17 May 2024 16:14:32 GMT
ステータス: 処理完了
システム内更新日: 2024-05-20 15:34:03.823436
Title: One registration is worth two segmentations
Title（参考訳）: 1つの登録は2つのセグメンテーションの価値がある
Authors: Shiqi Huang, Tingfa Xu, Ziyi Shen, Shaheer Ullah Saeed, Wen Yan, Dean Barratt, Yipeng Hu,
Abstract要約: 画像登録の目的は、2つ以上の画像間の空間的対応を確立することである。そこで我々は,より直感的な対応表現として,対応する関心領域(ROI)ペアの集合を提案する。提案したSAMRegは複数のROIペアのセグメンテーションとマッチングが可能であることを示す。
参考スコア（独自算出の注目度）: 12.163299991979574
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The goal of image registration is to establish spatial correspondence between two or more images, traditionally through dense displacement fields (DDFs) or parametric transformations (e.g., rigid, affine, and splines). Rethinking the existing paradigms of achieving alignment via spatial transformations, we uncover an alternative but more intuitive correspondence representation: a set of corresponding regions-of-interest (ROI) pairs, which we demonstrate to have sufficient representational capability as other correspondence representation methods.Further, it is neither necessary nor sufficient for these ROIs to hold specific anatomical or semantic significance. In turn, we formulate image registration as searching for the same set of corresponding ROIs from both moving and fixed images - in other words, two multi-class segmentation tasks on a pair of images. For a general-purpose and practical implementation, we integrate the segment anything model (SAM) into our proposed algorithms, resulting in a SAM-enabled registration (SAMReg) that does not require any training data, gradient-based fine-tuning or engineered prompts. We experimentally show that the proposed SAMReg is capable of segmenting and matching multiple ROI pairs, which establish sufficiently accurate correspondences, in three clinical applications of registering prostate MR, cardiac MR and abdominal CT images. Based on metrics including Dice and target registration errors on anatomical structures, the proposed registration outperforms both intensity-based iterative algorithms and DDF-predicting learning-based networks, even yielding competitive performance with weakly-supervised registration which requires fully-segmented training data.
Abstract（参考訳）: 画像登録の目的は、2つ以上の画像間の空間的対応を確立することであり、伝統的に密度変位場(DDF)やパラメトリック変換(例えば、剛性、アフィン、スプライン)を通して行われる。空間変換によるアライメントを実現する既存のパラダイムを再考し、それに対応する領域-関心領域(ROI)ペアの集合を探索し、他の対応表現法と同様に十分な表現能力を持つことを示す。そこで我々は,移動画像と固定画像の両方から,対応するROIの同じ集合を探索するものとして,画像登録を定式化し,一対のイメージに対して2つのマルチクラスセグメンテーションタスクを行う。汎用的かつ実用的な実装として,提案アルゴリズムにセグメント・アズ・モデル(SAM)を組み込むことで,学習データや勾配に基づく微調整,あるいは工学的なプロンプトを必要としないSAM対応登録(SAMReg)を実現する。前立腺MRI, 心臓MRI, 腹部CT画像の3つの臨床応用において, 複数のROIペアのセグメンテーションとマッチングが可能であることが実験的に確認された。 Diceと解剖学的構造上のターゲット登録エラーを含むメトリクスに基づいて、提案された登録は、強度に基づく反復アルゴリズムとDDF予測学習ベースネットワークの両方を上回り、完全に隔離されたトレーニングデータを必要とする弱い教師付き登録と競合するパフォーマンスを得る。

関連論文リスト

SAMReg: SAM-enabled Image Registration with ROI-based Correspondence [12.163299991979574]
本稿では,医療用画像登録のための対の関心領域(ROI)に基づく新しい空間対応表現について述べる。我々は,トレーニング(あるいはトレーニングデータ)や勾配に基づく微調整,即時的なエンジニアリングを必要としない新しい登録アルゴリズムSAMRegを開発した。提案手法は,試験指標間でのインテンシティベース反復アルゴリズムとDDF予測学習ベースネットワークより優れている。
論文参考訳（メタデータ） (2024-10-17T23:23:48Z)
Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文参考訳（メタデータ） (2023-12-19T08:14:14Z)
Improving Misaligned Multi-modality Image Fusion with One-stage Progressive Dense Registration [67.23451452670282]
多モード画像間の相違は、画像融合の課題を引き起こす。マルチスケールプログレッシブ・センス・レジストレーション方式を提案する。このスキームは、一段階最適化のみで粗大な登録を行う。
論文参考訳（メタデータ） (2023-08-22T03:46:24Z)
Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
論文参考訳（メタデータ） (2022-11-24T23:45:01Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Dual-Flow Transformation Network for Deformable Image Registration with Region Consistency Constraint [95.30864269428808]
現在のディープラーニング(DL)ベースの画像登録アプローチは、畳み込みニューラルネットワークを利用して、ある画像から別の画像への空間変換を学習する。一対のイメージ内のROIの類似性を最大化する領域整合性制約を持つ新しいデュアルフロー変換ネットワークを提案する。 4つの公開3次元MRIデータセットを用いた実験により,提案手法は精度と一般化において最高の登録性能が得られることを示した。
論文参考訳（メタデータ） (2021-12-04T05:30:44Z)
A Learning Framework for Diffeomorphic Image Registration based on Quasi-conformal Geometry [1.2891210250935146]
本稿では,非教師付き学習フレームワークである準コンフォーマル登録ネットワーク(QCRegNet)を提案する。 QCRegNetは推定器ネットワークとベルトラミソルバネットワーク(BSNet)から構成されるその結果、登録精度は最先端の手法に匹敵し、微分同相性はかなり保証されていることがわかった。
論文参考訳（メタデータ） (2021-10-20T14:23:24Z)
MvMM-RegNet: A new image registration framework based on multivariate mixture model and neural network estimation [14.36896617430302]
生成モデル(MvMM)とニューラルネットワーク推定に基づく新しい画像登録フレームワークを提案する。外観と解剖情報を一体化した生成モデルを構築し、グループ登録が可能な新規な損失関数を導出する。マルチモーダル心画像への様々な応用のためのフレームワークの汎用性を強調した。
論文参考訳（メタデータ） (2020-06-28T11:19:15Z)
CoMIR: Contrastive Multimodal Image Representation for Registration [4.543268895439618]
我々は,CoMIR(Contrastive Multimodal Image Representations)と呼ばれる,共有された高密度画像表現を学習するためのコントラスト符号化を提案する。 CoMIRは、十分に類似した画像構造が欠如しているため、既存の登録方法がしばしば失敗するマルチモーダル画像の登録を可能にする。
論文参考訳（メタデータ） (2020-06-11T10:51:33Z)
JSSR: A Joint Synthesis, Segmentation, and Registration System for 3D Multi-Modal Image Alignment of Large-scale Pathological CT Scans [27.180136688977512]
本稿では,エンドツーエンドの3D畳み込みニューラルネットワークに基づく新しいマルチタスク学習システムJSSRを提案する。システムは、教師なしの方法で異なるタスク間の暗黙の制約を満たすように最適化されている。従来型のマルチモーダル登録法よりも一貫して優れています。
論文参考訳（メタデータ） (2020-05-25T16:30:02Z)
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。