論文の概要: A lightweight residual network for unsupervised deformable image registration

• arxiv url: http://arxiv.org/abs/2406.09774v1
• Date: Fri, 14 Jun 2024 07:20:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-17 14:44:14.255469
• Title: A lightweight residual network for unsupervised deformable image registration
• Title（参考訳）: 教師なしデフォルマブル画像登録のための軽量残差ネットワーク
• Authors: Ahsan Raza Siyal, Astrid Ellen Grams, Markus Haltmeier,
• Abstract要約: 本稿では, 並列拡張畳み込みブロックを組み込んだ残差U-Netを提案する。 本手法は患者間およびアトラスに基づくデータセットを用いて評価する。
• 参考スコア（独自算出の注目度）: 2.7309692684728617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate volumetric image registration is highly relevant for clinical routines and computer-aided medical diagnosis. Recently, researchers have begun to use transformers in learning-based methods for medical image registration, and have achieved remarkable success. Due to the strong global modeling capability, Transformers are considered a better option than convolutional neural networks (CNNs) for registration. However, they use bulky models with huge parameter sets, which require high computation edge devices for deployment as portable devices or in hospitals. Transformers also need a large amount of training data to produce significant results, and it is often challenging to collect suitable annotated data. Although existing CNN-based image registration can offer rich local information, their global modeling capability is poor for handling long-distance information interaction and limits registration performance. In this work, we propose a CNN-based registration method with an enhanced receptive field, a low number of parameters, and significant results on a limited training dataset. For this, we propose a residual U-Net with embedded parallel dilated-convolutional blocks to enhance the receptive field. The proposed method is evaluated on inter-patient and atlas-based datasets. We show that the performance of the proposed method is comparable and slightly better than transformer-based methods by using only $\SI{1.5}{\percent}$ of its number of parameters.
• Abstract（参考訳）: 正確なボリューム画像の登録は、臨床ルーチンとコンピュータ支援医療診断に非常に関係している。 近年, 医用画像登録の学習手法としてトランスフォーマーの活用が試みられ, 目覚ましい成功を収めている。 強力なグローバルモデリング能力のため、Transformerは登録のための畳み込みニューラルネットワーク(CNN)よりも優れた選択肢だと考えられている。 しかし、彼らは巨大なパラメータセットを持つバルクモデルを使用し、ポータブルデバイスや病院に配置するために高い計算エッジデバイスを必要とする。 トランスフォーマーは、重要な結果を得るために大量のトレーニングデータも必要であり、適切な注釈付きデータを集めることはしばしば困難である。 既存のCNNベースの画像登録は、リッチなローカル情報を提供することができるが、そのグローバルなモデリング能力は、長距離情報通信の処理や登録性能の制限に乏しい。 そこで本研究では,CNN ベースの登録手法を提案する。この方式では,学習領域の強化,パラメータの少なさ,限られた学習データセットに対する有意な結果が得られた。 そこで本研究では,組込み並列拡張畳み込みブロックを用いた残差U-Netを提案する。 本手法は患者間およびアトラスに基づくデータセットを用いて評価する。 提案手法の性能は, パラメータ数に対して$\SI{1.5}{\percent}$のみを用いることで, トランスフォーマ方式よりも若干優れていることを示す。

関連論文リスト

• TransUKAN:Computing-Efficient Hybrid KAN-Transformer for Enhanced Medical Image Segmentation [5.280523424712006]
  U-Netは現在、医療画像セグメンテーションの最も広く使われているアーキテクチャである。 我々は、メモリ使用量と計算負荷を減らすためにkanを改善した。 このアプローチは、非線形関係をキャプチャするモデルの能力を高める。
  論文  参考訳（メタデータ） (2024-09-23T02:52:49Z)
• PMFSNet: Polarized Multi-scale Feature Self-attention Network For Lightweight Medical Image Segmentation [6.134314911212846]
  現在の最先端の医用画像分割法は精度を優先するが、計算要求の増大とより大きなモデルサイズを犠牲にすることも多い。 計算冗長性を避けつつグローバルな局所特徴処理のバランスをとる新しい医用画像分割モデルPMFSNetを提案する。 長期依存関係をキャプチャするために,アテンション機構に基づいたマルチスケール機能拡張モジュールであるPMFSブロックをプラグインとして組み込んでいる。
  論文  参考訳（メタデータ） (2024-01-15T10:26:47Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• SeUNet-Trans: A Simple yet Effective UNet-Transformer Model for Medical Image Segmentation [0.0]
  医用画像セグメンテーションのためのシンプルなUNet-Transformer(seUNet-Trans)モデルを提案する。 提案手法では,UNetモデルを特徴抽出器として設計し,入力画像から複数の特徴マップを生成する。 UNetアーキテクチャと自己認識機構を活用することで、我々のモデルはローカルとグローバルの両方のコンテキスト情報を保存するだけでなく、入力要素間の長距離依存関係をキャプチャできる。
  論文  参考訳（メタデータ） (2023-10-16T01:13:38Z)
• TractCloud: Registration-free tractography parcellation with a novel local-global streamline point cloud representation [63.842881844791094]
  現在のトラクトグラフィーのパーセレーション法は登録に大きく依存しているが、登録の不正確さはパーセレーションに影響を及ぼす可能性がある。 我々は,個別の主題空間で直接,脳全体のトラクトログラフィ解析を行う,登録不要のフレームワークであるTractCloudを提案する。
  論文  参考訳（メタデータ） (2023-07-18T06:35:12Z)
• 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)
• Optimizing Vision Transformers for Medical Image Segmentation and Few-Shot Domain Adaptation [11.690799827071606]
  我々はCS-Unet(Convolutional Swin-Unet)トランスフォーマーブロックを提案し、パッチ埋め込み、プロジェクション、フィードフォワードネットワーク、サンプリングおよびスキップ接続に関連する設定を最適化する。 CS-Unetはゼロからトレーニングすることができ、各機能プロセスフェーズにおける畳み込みの優位性を継承する。 実験によると、CS-Unetは事前トレーニングなしで、パラメータが少ない2つの医療用CTおよびMRIデータセットに対して、最先端の他のデータセットを大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2022-10-14T19:18:52Z)
• Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
  集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。 Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。 提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
  論文  参考訳（メタデータ） (2022-07-21T22:17:21Z)
• Symmetric Transformer-based Network for Unsupervised Image Registration [4.258536928793156]
  本稿では,従来のトランスフォーマーのパラメータを低減する,畳み込みに基づく効率的なマルチヘッド自己アテンション(CEMSA)ブロックを提案する。 提案したCEMSAに基づいて,新しいSymmetric Transformer-based model(SymTrans)を提案する。 実験結果から,提案手法は画像登録における最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2022-04-28T15:45:09Z)
• Medical Transformer: Gated Axial-Attention for Medical Image Segmentation [73.98974074534497]
  医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。 セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。 医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
  論文  参考訳（メタデータ） (2021-02-21T18:35:14Z)
• TransUNet: Transformers Make Strong Encoders for Medical Image Segmentation [78.01570371790669]
  医用画像のセグメンテーションは医療システムの開発に必須の前提条件である。 様々な医療画像セグメンテーションタスクにおいて、U-Netとして知られるu字型アーキテクチャがデファクトスタンダードとなっている。 医用画像セグメンテーションの強力な代替手段として,トランスフォーマーとU-Netの両方を有効活用するTransUNetを提案する。
  論文  参考訳（メタデータ） (2021-02-08T16:10:50Z)

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。