Fugu-MT 論文翻訳(概要): Gaussian Representation for Deformable Image Registration

論文の概要: Gaussian Representation for Deformable Image Registration

arxiv url: http://arxiv.org/abs/2406.03394v1
Date: Wed, 5 Jun 2024 15:44:54 GMT
ステータス: 処理完了
システム内更新日: 2024-06-06 17:31:45.589562
Title: Gaussian Representation for Deformable Image Registration
Title（参考訳）: 変形可能な画像登録のためのガウス表現
Authors: Jihe Li, Fabian Zhang, Xia Li, Tianhao Zhang, Ye Zhang, Joachim Buhmann,
Abstract要約: パラメトリックな3次元ガウス制御点を用いた新しいDIR手法を提案する。 3次元医用画像間の空間場を明示的かつフレキシブルに表現する。我々は4D-CT肺DIR-Labと心房性ACDCデータセットに対するアプローチを検証し,大幅に改善された処理時間2.43秒で平均目標登録誤差(TRE)を1.06mmとした。
参考スコア（独自算出の注目度）: 12.226244219255197
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deformable image registration (DIR) is a fundamental task in radiotherapy, with existing methods often struggling to balance computational efficiency, registration accuracy, and speed effectively. We introduce a novel DIR approach employing parametric 3D Gaussian control points achieving a better tradeoff. It provides an explicit and flexible representation for spatial deformation fields between 3D volumetric medical images, producing a displacement vector field (DVF) across all volumetric positions. The movement of individual voxels is derived using linear blend skinning (LBS) through localized interpolation of transformations associated with neighboring Gaussians. This interpolation strategy not only simplifies the determination of voxel motions but also acts as an effective regularization technique. Our approach incorporates a unified optimization process through backpropagation, enabling iterative learning of both the parameters of the 3D Gaussians and their transformations. Additionally, the density of Gaussians is adjusted adaptively during the learning phase to accommodate varying degrees of motion complexity. We validated our approach on the 4D-CT lung DIR-Lab and cardiac ACDC datasets, achieving an average target registration error (TRE) of 1.06 mm within a much-improved processing time of 2.43 seconds for the DIR-Lab dataset over existing methods, demonstrating significant advancements in both accuracy and efficiency.
Abstract（参考訳）: 変形可能な画像登録(DIR)は放射線治療の基本的な課題であり、既存の手法は計算効率、登録精度、速度のバランスをとるのにしばしば苦労する。パラメトリックな3次元ガウス制御点を用いた新しいDIR手法を提案する。 3次元の医用画像間の空間的変形場を明示的かつ柔軟に表現し、全体積位置にわたって変位ベクトル場(DVF)を生成する。個々のボクセルの移動は、隣接するガウシアンに付随する変換の局所的補間を通じて線形ブレンドスキン(LBS)を用いて誘導される。この補間戦略は、ボクセル運動の決定を単純化するだけでなく、効果的な正則化手法としても機能する。提案手法は, バックプロパゲーションによる統一最適化プロセスを導入し, 3次元ガウスのパラメータとその変換の反復学習を可能にする。さらに、ガウスの密度は学習段階で適応的に調整され、運動の複雑さの度合いが変化する。我々は,DIR-Labの4D-CT肺DIR-Labおよび心房ACDCデータセットに対するアプローチを検証し,DIR-Labデータセットの処理時間2.43秒で1.06 mmの平均目標登録誤差(TRE)を達成し,精度と効率の両面で有意な進歩を示した。

関連論文リスト

PixelGaussian: Generalizable 3D Gaussian Reconstruction from Arbitrary Views [116.10577967146762]
PixelGaussianは、任意の視点から一般化可能な3Dガウス再構成を学習するための効率的なフレームワークである。提案手法は,様々な視点によく一般化した最先端性能を実現する。
論文参考訳（メタデータ） (2024-10-24T17:59:58Z)
DDGS-CT: Direction-Disentangled Gaussian Splatting for Realistic Volume Rendering [30.30749508345767]
デジタル再構成ラジオグラフィ(DRR)は3次元CTボリュームから生成された2次元X線画像である。そこで本研究では, DRR 生成を効率よく, 微分可能な DRR 生成で実現し, 現実的な物理にインスパイアされた X-ray シミュレーションを取り入れた新しい手法を提案する。
論文参考訳（メタデータ） (2024-06-04T17:39:31Z)
R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文参考訳（メタデータ） (2024-05-31T08:39:02Z)
Sparse Variational Contaminated Noise Gaussian Process Regression with Applications in Geomagnetic Perturbations Forecasting [4.675221539472143]
大規模なデータセットに正規ノイズが汚染されたスパースガウス過程回帰モデルを適用するためのスケーラブルな推論アルゴリズムを提案する。提案手法は, 人工ニューラルネットワークベースラインと比較して, 類似のカバレッジと精度の予測間隔が短いことを示す。
論文参考訳（メタデータ） (2024-02-27T15:08:57Z)
Mesh-based Gaussian Splatting for Real-time Large-scale Deformation [58.18290393082119]
ユーザがリアルタイムで大きな変形で暗黙の表現を直接変形または操作することは困難である。我々は,インタラクティブな変形を可能にする新しいGSベースの手法を開発した。提案手法は,高いフレームレートで良好なレンダリング結果を維持しつつ,高品質な再構成と効率的な変形を実現する。
論文参考訳（メタデータ） (2024-02-07T12:36:54Z)
Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。提案手法は,画像分類における既存の手法よりも優れている。
論文参考訳（メタデータ） (2022-12-02T07:31:39Z)
Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
論文参考訳（メタデータ） (2021-06-10T18:17:57Z)
Local approximate Gaussian process regression for data-driven constitutive laws: Development and comparison with neural networks [0.0]
局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。 FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
論文参考訳（メタデータ） (2021-05-07T14:49:28Z)
Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。