論文の概要: Correlation-aware Coarse-to-fine MLPs for Deformable Medical Image Registration
- arxiv url: http://arxiv.org/abs/2406.00123v2
- Date: Wed, 12 Jun 2024 12:21:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-13 21:55:11.014255
- Title: Correlation-aware Coarse-to-fine MLPs for Deformable Medical Image Registration
- Title（参考訳）: 変形可能な医用画像登録のための相関対応粗大なMLP
- Authors: Mingyuan Meng, Dagan Feng, Lei Bi, Jinman Kim,
- Abstract要約: 変形可能な医用画像登録のための相関対応登録ネットワーク(CorrMLP)を提案する。
当社のCorrMLPでは,新しい粗大な登録アーキテクチャにおいて,相関性を考慮したマルチウィンドウブロックを導入している。
7つの公開医療データセットによる実験により、私たちのCorrMLPは最先端の変形可能な登録方法よりも優れています。
- 参考スコア（独自算出の注目度）: 12.011187308375318
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deformable image registration is a fundamental step for medical image analysis. Recently, transformers have been used for registration and outperformed Convolutional Neural Networks (CNNs). Transformers can capture long-range dependence among image features, which have been shown beneficial for registration. However, due to the high computation/memory loads of self-attention, transformers are typically used at downsampled feature resolutions and cannot capture fine-grained long-range dependence at the full image resolution. This limits deformable registration as it necessitates precise dense correspondence between each image pixel. Multi-layer Perceptrons (MLPs) without self-attention are efficient in computation/memory usage, enabling the feasibility of capturing fine-grained long-range dependence at full resolution. Nevertheless, MLPs have not been extensively explored for image registration and are lacking the consideration of inductive bias crucial for medical registration tasks. In this study, we propose the first correlation-aware MLP-based registration network (CorrMLP) for deformable medical image registration. Our CorrMLP introduces a correlation-aware multi-window MLP block in a novel coarse-to-fine registration architecture, which captures fine-grained multi-range dependence to perform correlation-aware coarse-to-fine registration. Extensive experiments with seven public medical datasets show that our CorrMLP outperforms state-of-the-art deformable registration methods.
- Abstract（参考訳）: 変形可能な画像登録は、医用画像解析の基本的なステップである。
近年、トランスフォーマーは、CNN(Convolutional Neural Networks)の登録と性能向上に使用されている。
トランスフォーマーは、画像特徴間の長距離依存をキャプチャできるが、これは登録に有用であることが示されている。
しかし、自己アテンションの計算/メモリ負荷が高いため、トランスフォーマーは通常、ダウンサンプリングされた特徴解像度で使用され、完全な画像解像度で細かな長距離依存を捉えることはできない。
これにより、各画像ピクセル間の正確な密接な対応を必要とするため、変形可能な登録が制限される。
自己注意のない多層パーセプトロン(MLP)は、計算/メモリ使用において効率的であり、完全な解像度で細粒度の長距離依存を捉えることが可能である。
それでも、MLPは画像登録のために広く研究されておらず、医療登録業務に不可欠な誘導バイアスの考慮が欠如している。
本研究では,変形可能な医用画像登録のための相関対応MLPベース登録ネットワーク(CorrMLP)を提案する。
我々のCorrMLPは、相関対応のマルチウィンドウMLPブロックを新しい粗粒度登録アーキテクチャに導入し、相関対応の粗粒度登録を行うための細粒度マルチレンジ依存をキャプチャする。
7つの公開医療データセットによる大規模な実験により、私たちのCorrMLPは最先端の変形可能な登録方法よりも優れています。
関連論文リスト
- Full-resolution MLPs Empower Medical Dense Prediction [11.195630893999203]
多層パーセプトロン(MLP)は、医療密度予測においてトランスフォーマーの優れた代替品である。
本フレームワークは,各種医療用高密度予測タスクの最先端性能を実現する。
論文 参考訳（メタデータ） (2023-11-28T11:32:23Z) - 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) - Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。
これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文 参考訳（メタデータ） (2023-02-05T02:41:46Z) - 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) - Unsupervised Echocardiography Registration through Patch-based MLPs and
Transformers [6.330832343516528]
この作業では、トランスフォーマーとパッチを使用した3つのイメージ登録用のパッチベースのフレームワークを導入している。
我々は、人気のあるCNN登録モデルよりも同等で、さらに優れた登録性能を示します。
論文 参考訳（メタデータ） (2022-11-21T17:59:04Z) - Non-iterative Coarse-to-fine Registration based on Single-pass Deep
Cumulative Learning [11.795108660250843]
変形可能な画像登録のための非Iterative Coarse-to-finE登録ネットワーク(NICE-Net)を提案する。
NICE-Netは、非イテレーティブメソッドと同じようなランタイムしか必要とせず、最先端の反復的な深層登録手法より優れている。
論文 参考訳（メタデータ） (2022-06-25T08:34:59Z) - UNeXt: MLP-based Rapid Medical Image Segmentation Network [80.16644725886968]
UNetとその最新の拡張であるTransUNetは、ここ数年で主要な医療画像分割手法である。
画像分割のための畳み込み多層パーセプトロンネットワークUNeXtを提案する。
パラメータ数を72倍に減らし,計算複雑性を68倍に減らし,推論速度を10倍に改善し,セグメンテーション性能も向上した。
論文 参考訳（メタデータ） (2022-03-09T18:58:22Z) - A Transformer-based Network for Deformable Medical Image Registration [5.388525884890891]
変形可能な医用画像登録は臨床診断と治療において重要な役割を担っている。
深層学習(DL)に基づく画像登録法が広く研究され,計算速度に優れた性能を示した。
本稿では,トランスを用いた画像登録手法を提案する。
論文 参考訳（メタデータ） (2022-02-24T13:45:45Z) - 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) - CAR-Net: Unsupervised Co-Attention Guided Registration Network for Joint
Registration and Structure Learning [73.03885837923599]
我々は,新しい深層学習ネットワークCAR-Net(Co-Attention Guided Registration Network)を提案する。
CAR-Netはコアテンションブロックを用いて入力の新しい表現を学習し、固定画像と移動画像の登録を駆動する。
イギリスバイオバンクの心臓磁気共鳴画像データを用いた実験により、CAR-Netは最先端の教師なし登録法よりも高い登録精度とスムーズな変形場が得られることが示された。
論文 参考訳（メタデータ） (2021-06-11T23:25:49Z) - Groupwise Multimodal Image Registration using Joint Total Variation [0.0]
このようなマルチモーダル画像登録のための統合総量変動に基づくコスト関数を導入する。
シミュレーション脳スキャンと実脳スキャンの両方を厳密に整列させるアルゴリズムの評価を行った。
論文 参考訳（メタデータ） (2020-05-06T16:11:32Z)
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。