論文の概要: Learning Diffeomorphism for Image Registration with Time-Continuous Networks using Semigroup Regularization

• arxiv url: http://arxiv.org/abs/2405.18684v3
• Date: Sun, 16 Mar 2025 21:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:57:12.519601
• Title: Learning Diffeomorphism for Image Registration with Time-Continuous Networks using Semigroup Regularization
• Title（参考訳）: 半群正規化を用いた時間連続ネットワークによる画像登録のための差分型学習
• Authors: Mohammadjavad Matinkia, Nilanjan Ray,
• Abstract要約: 微分型3次元画像登録のための学習に基づく手法を提案する。 フローマップの基本特性である半群特性を正規化の唯一の形式として活用する。 この結果から, 連続的に微分同相をモデル化することで, 登録性能が向上することが示唆された。
• 参考スコア（独自算出の注目度）: 4.995343972237369
• License:
• Abstract: Diffeomorphic image registration (DIR) is a fundamental task in 3D medical image analysis that seeks topology-preserving deformations between image pairs. To ensure diffeomorphism, a common approach is to model the deformation field as the flow map solution of a differential equation, which is solved using efficient schemes such as scaling and squaring along with multiple smoothness regularization terms. In this paper, we propose a novel learning-based approach for diffeomorphic 3D image registration that models diffeomorphisms in a continuous-time framework using only a single regularization term, without requiring additional integration. We exploit the semigroup property-a fundamental characteristic of flow maps-as the sole form of regularization, ensuring temporally continuous diffeomorphic flows between image pairs. Leveraging this property, we prove that our formulation directly learns the flow map solution of an ODE, ensuring continuous inverse and cycle consistencies without explicit enforcement, while eliminating additional integration schemes and regularization terms. To achieve time-continuous diffeomorphisms, we employ time-embedded UNets, an architecture commonly used in diffusion models. Our results demonstrate that modeling diffeomorphism continuously in time improves registration performance. Experimental results on four public datasets demonstrate the superiority of our model over state-of-the-art diffeomorphic methods. Additionally, comparison to several recent non-diffeomorphic deformable image registration methods shows that our method achieves competitive Dice scores while significantly improving topology preservation.
• Abstract（参考訳）: DIR(Diffomorphic Image registration)は、画像対間の位相保存変形を求める3次元画像解析の基本的な課題である。 微分同相性を確保するために、一般的なアプローチは、変形場を微分方程式のフローマップ解としてモデル化することであり、これは、複数の滑らかな正規化項とともに、スケーリングやスパーリングのような効率的なスキームを用いて解決される。 本稿では,単一正規化項のみを用いて連続時間フレームワークにおける微分同相をモデル化し,追加の統合を必要としない,新しい3次元画像登録手法を提案する。 半群特性-フローマップの基本特性-を正則化の唯一の形式として利用し、画像対間の時間的連続な微分型フローを保証する。 この特性を活用することで、私たちの定式化はODEのフローマップ解を直接学習し、明示的な強制を伴わずに連続的な逆とサイクルの相補性を保証するとともに、追加の統合スキームや正規化項を排除します。 時間連続微分同相を実現するために、拡散モデルでよく用いられるアーキテクチャである時間埋め込みUNetsを用いる。 この結果から, 連続的に微分同相をモデル化することで, 登録性能が向上することが示唆された。 4つの公開データセットに対する実験結果は、最先端の微分同相法よりもモデルの方が優れていることを示す。 さらに,近年の非微分型デフォルマブル画像登録法と比較すると,この手法はトポロジ保存を著しく改善しつつ,競争力のあるDiceスコアを達成できることが示されている。

関連論文リスト

• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• $\texttt{GradICON}$: Approximate Diffeomorphisms via Gradient Inverse Consistency [16.72466200341455]
  ニューラルネットワークを用いて、ソースとターゲットイメージ間のマップと、ソースとターゲットイメージを切り替える際のマップを予測します。 我々は,様々な実世界の医療画像データセットに対して,最先端の登録性能を実現する。
  論文  参考訳（メタデータ） (2022-06-13T04:03:49Z)
• A training-free recursive multiresolution framework for diffeomorphic deformable image registration [6.929709872589039]
  変形可能な画像登録のための新しい微分型学習自由アプローチを提案する。 提案するアーキテクチャは設計上は単純で,各解像度で移動像を順次ワープし,最終的に固定像に整列する。 システム全体はエンドツーエンドで、スクラッチから各2つのイメージに最適化されている。
  論文  参考訳（メタデータ） (2022-02-01T15:17:17Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Moment evolution equations and moment matching for stochastic image EPDiff [68.97335984455059]
  画像変形モデルにより、画像領域を変形させることにより、時間連続的な画像変換の研究が可能になる。 応用例としては、人口傾向とランダムな被写体特定変異の両方を用いた医療画像分析がある。 パラメータフルモデルにおける統計的推測のための推定器を構築するために、対応する伊藤拡散のモーメント近似を用いる。
  論文  参考訳（メタデータ） (2021-10-07T11:08:11Z)
• Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration [63.15453821022452]
  ディープラーニングに基づくアプローチの最近の発展は、DiffIRのサブ秒間実行を実現している。 本稿では,中間定常速度場を機能的に構成する簡易な反復スキームを提案する。 次に、任意の順序の正規化項を用いて、これらの速度場に滑らかさを課す凸最適化モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-26T19:56:45Z)
• Deformable Image Registration using Neural ODEs [15.245085400790002]
  ニューラル常微分方程式(NODE)を利用した汎用的で高速かつ高精度な微分型画像登録フレームワークを提案する。 従来の最適化手法と比較して、我々のフレームワークは実行時間を数十分から数十秒に短縮する。 実験の結果, 提案手法の登録結果は, 各種測定値において, 最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-07T12:54:17Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• Fast Symmetric Diffeomorphic Image Registration with Convolutional Neural Networks [11.4219428942199]
  本稿では,新しい非教師付き対称画像登録手法を提案する。 大規模脳画像データセットを用いた3次元画像登録法について検討した。
  論文  参考訳（メタデータ） (2020-03-20T22:07:24Z)
• Generalizing Convolutional Neural Networks for Equivariance to Lie Groups on Arbitrary Continuous Data [52.78581260260455]
  任意の特定のリー群からの変換に同値な畳み込み層を構築するための一般的な方法を提案する。 同じモデルアーキテクチャを画像、ボール・アンド・スティック分子データ、ハミルトン力学系に適用する。
  論文  参考訳（メタデータ） (2020-02-25T17:40:38Z)

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。