論文の概要: Adaptive local boundary conditions to improve Deformable Image Registration
- arxiv url: http://arxiv.org/abs/2405.12791v1
- Date: Tue, 21 May 2024 13:42:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-22 12:20:58.572331
- Title: Adaptive local boundary conditions to improve Deformable Image Registration
- Title(参考訳): 変形可能な画像登録を改善するための適応的局所境界条件
- Authors: Eloïse Inacio, Luc Lafitte, Laurent Facq, Clair Poignard, Baudouin Denis de Senneville,
- Abstract要約: ボクセル・バイ・ボクセルベースで境界条件を適応させる新しい手法を導入し、2つの異なるタスクで最適化結果を得る。
提案フレームワークは,画像や動きに関する前提条件を使わずに,画像登録における境界条件の最適化を可能にする。
- 参考スコア(独自算出の注目度): 0.05083995003558626
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: In medical imaging, it is often crucial to accurately assess and correct movement during image-guided therapy. Deformable image registration (DIR) consists in estimating the required spatial transformation to align a moving image with a fixed one. However, it is acknowledged that, boundary conditions applied to the solution are critical in preventing mis-registration. Despite the extensive research on registration techniques, relatively few have addressed the issue of boundary conditions in the context of medical DIR. Our aim is a step towards customizing boundary conditions to suit the diverse registration tasks at hand. Approach: We propose a generic, locally adaptive, Robin-type condition enabling to balance between Dirichlet and Neumann boundary conditions, depending on incoming/outgoing flow fields on the image boundaries. The proposed framework is entirely automatized through the determination of a reduced set of hyperparameters optimized via energy minimization. Main results: The proposed approach was tested on a mono-modal CT thorax registration task and an abdominal CT to MRI registration task. For the first task, we observed a relative improvement in terms of target registration error of up to 12% (mean 4%), compared to homogeneous Dirichlet and homogeneous Neumann. For the second task, the automatic framework provides results closed to the best achievable. Significance: This study underscores the importance of tailoring the registration problem at the image boundaries. In this research, we introduce a novel method to adapt the boundary conditions on a voxel-by-voxel basis, yielding optimized results in two distinct tasks: mono-modal CT thorax registration and abdominal CT to MRI registration. The proposed framework enables optimized boundary conditions in image registration without any a priori assumptions regarding the images or the motion.
- Abstract(参考訳): 目的: 医用画像では, 画像誘導療法中の運動を正確に評価し, 補正することが重要であることが多い。
変形可能な画像登録(DIR)は、移動画像と固定画像とを一致させるために必要な空間変換を推定する。
しかし, 解に対する境界条件は, 誤登録の防止に重要であることが認識されている。
登録技術に関する広範な研究にもかかわらず、医学的DIRの文脈における境界条件の問題に対処する研究は比較的少ない。
我々の目指すのは、多様な登録タスクに適合する境界条件のカスタマイズです。
アプローチ: 画像境界上の入出流場に応じて, ディリクレとノイマンの境界条件のバランスをとることができる汎用的, 局所適応型ロビン型条件を提案する。
提案するフレームワークは,エネルギー最小化により最適化されたハイパーパラメータの縮小セットを決定することによって,完全に自動化される。
主な結果: モノモーダルCTと腹部CTとMRIの併用により, 提案手法を検証した。
最初の課題では, 目標登録誤差の12%(平均4%)に対して, 均質ディリクレや均質ノイマンと比較して相対的に改善した。
2つ目のタスクでは、自動フレームワークが最高の達成可能な結果を提供する。
意義:本研究は,画像境界における登録問題の調整の重要性を浮き彫りにする。
本研究では, ボクセル・バイ・ボクセルベースで境界条件を適応させる新しい手法を提案し, モノモーダルCTと腹部CTの2つの異なるタスクにおいて, 最適化された結果を得た。
提案フレームワークは,画像や動きに関する前提条件を使わずに,画像登録における境界条件の最適化を可能にする。
関連論文リスト
- RS-MOCO: A deep learning-based topology-preserving image registration method for cardiac T1 mapping [3.293391422431541]
現在、心臓T1マッピングでは、運動補正の効果的な、堅牢で効率的な方法が欠如している。
本稿では,心的T1マッピングにおける動き補正のための深層学習に基づくトポロジ保存画像登録フレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-15T14:38:35Z) - Unifying Subsampling Pattern Variations for Compressed Sensing MRI with Neural Operators [72.79532467687427]
圧縮センシングMRI(Compressed Sensing MRI)は、身体の内部解剖像をアンダーサンプルと圧縮された測定値から再構成する。
ディープニューラルネットワークは、高度にアンサンプされた測定結果から高品質なイメージを再構築する大きな可能性を示している。
CS-MRIにおけるサブサンプリングパターンや画像解像度に頑健な統一モデルを提案する。
論文 参考訳(メタデータ) (2024-10-05T20:03:57Z) - Weakly supervised alignment and registration of MR-CT for cervical cancer radiotherapy [9.060365057476133]
子宮頸癌は女性の死因の1つである。
予備的な空間アライメントアルゴリズムと弱教師付きマルチモーダル登録ネットワークを提案する。
論文 参考訳(メタデータ) (2024-05-21T15:05:51Z) - RegWSI: Whole Slide Image Registration using Combined Deep Feature- and Intensity-Based Methods: Winner of the ACROBAT 2023 Challenge [1.7625447004432986]
デジタル病理学を専門とする科学コミュニティや病院では,堅牢で効率的かつ正確な登録方法が望まれている。
i) 深層学習と特徴に基づく初期アライメントアルゴリズムと(ii) 強度に基づく非厳密な登録からなる2段階のハイブリッド手法を提案する。
提案手法は特定のデータセットへの微調整を一切必要とせず,任意の組織タイプや染色に直接使用することができる。
論文 参考訳(メタデータ) (2024-04-19T16:19:30Z) - A Generative Approach for Image Registration of Visible-Thermal (VT)
Cancer Faces [77.77475333490744]
我々は、生成的アライメントアルゴリズムを適用し、修正することで、画像登録の古典的なコンピュータビジョンタスクを近代化する。
本稿では,V2T画像翻訳における生成AI下流タスクで生成した熱画像の品質が52.5%に向上することが実証された。
論文 参考訳(メタデータ) (2023-08-23T17:39:58Z) - GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。
我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。
提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
論文 参考訳(メタデータ) (2023-06-26T13:32:09Z) - Breaking Modality Disparity: Harmonized Representation for Infrared and
Visible Image Registration [66.33746403815283]
シーン適応型赤外線と可視画像の登録を提案する。
我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。
我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
論文 参考訳(メタデータ) (2023-04-12T06:49:56Z) - 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) - 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) - Unsupervised Multimodal Image Registration with Adaptative Gradient
Guidance [23.461130560414805]
教師なし学習に基づく手法は、変形可能な画像登録における精度と効率よりも有望な性能を示す。
既存の手法の予測変形場は、登録済み画像対に完全に依存する。
両モデルから推定される変形場を利用する新しい多モード登録フレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-12T05:47:20Z)
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。