論文の概要: Encoding Matching Criteria for Cross-domain Deformable Image Registration

• arxiv url: http://arxiv.org/abs/2406.12350v1
• Date: Tue, 18 Jun 2024 07:33:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 20:16:07.428401
• Title: Encoding Matching Criteria for Cross-domain Deformable Image Registration
• Title（参考訳）: クロスドメインデフォルマブル画像登録のためのマッチング基準の符号化
• Authors: Zhuoyuan Wang, Haiqiao Wang, Yi Wang,
• Abstract要約: 画像特徴と構造特徴の一致基準をモデル化する登録指向エンコーダを提案する。 ワンショット学習を用いてSを更新することにより、本手法は異なる領域に効果的に適応できる。
• 参考スコア（独自算出の注目度）: 3.685877145516413
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing deep learning-based registration methods are trained on single-type images to address same-domain tasks.However, cross-domain deformable registration remains challenging.We argue that the tailor-made matching criteria in traditional registration methods is one of the main reason they are applicable in different domains.Motivated by this, we devise a registration-oriented encoder to model the matching criteria of image features and structural features, which is beneficial to boost registration accuracy and adaptability.Specifically, a general feature encoder (Encoder-G) is proposed to capture comprehensive medical image features, while a structural feature encoder (Encoder-S) is designed to encode the structural self-similarity into the global representation.Extensive experiments on images from three different domains prove the efficacy of the proposed method. Moreover, by updating Encoder-S using one-shot learning, our method can effectively adapt to different domains.The code is publicly available at https://github.com/JuliusWang-7/EncoderReg.
• Abstract（参考訳）: 既存のディープ・ラーニング・ベース・レジストレーション手法の多くは、単一タイプのイメージで同一ドメインのタスクに対処するために訓練されているが、クロスドメインのデフォルマブル・レジストレーションは依然として困難である。従来の登録手法におけるテーラー・メイドのマッチング基準は、異なるドメインに適用できる主な理由の1つであり、我々は、画像特徴と構造的特徴のマッチング基準をモデル化するための登録指向エンコーダを考案し、登録精度と適応性を向上するために有用である。具体的には、一般的な特徴エンコーダ(エンコーダ-G)が包括的な医用画像特徴をキャプチャするために提案され、構造的特徴エンコーダ(エンコーダ-S)は、グローバルな表現に構造的自己相似性をエンコードするように設計されている。 さらに、ワンショット学習を用いてEncoder-Sを更新することにより、このメソッドは、異なるドメインに効果的に適応することが可能となり、コードについてはhttps://github.com/JuliusWang-7/EncoderReg.comで公開されている。

関連論文リスト

• Deformable Image Registration with Multi-scale Feature Fusion from Shared Encoder, Auxiliary and Pyramid Decoders [2.6089354079273512]
  教師なし画像登録のための新しい変形可能な畳み込みピラミッドネットワークを提案する。 提案するネットワークは、画像ペア用の共有補助デコーダを追加することにより、従来のピラミッドネットワークを強化する。 以上の結果から, 高い登録精度を達成し, 円滑かつ可塑性変形を維持しつつ, 複雑な変形を捉えることが可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-08-11T08:02:28Z)
• A Generative Approach for Wikipedia-Scale Visual Entity Recognition [56.55633052479446]
  与えられたクエリ画像をWikipediaにある600万の既存エンティティの1つにマッピングするタスクに対処する。 本稿では,対象エンティティを識別する「意味的・識別的コード」の自動復号化を学習する,新しい生成エンティティ認識フレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-03-04T13:47:30Z)
• General Purpose Image Encoder DINOv2 for Medical Image Registration [11.148125068936434]
  本稿では、画像特徴抽出のための汎用画像エンコーダDINOv2を活用する、トレーニング不要な変形可能な画像登録手法DINO-Regを提案する。 我々の知る限り、医用画像登録における一般ビジョン基盤モデルの適用はこれが初めてである。
  論文  参考訳（メタデータ） (2024-02-24T02:15:30Z)
• Domain-Agnostic Tuning-Encoder for Fast Personalization of Text-To-Image Models [59.094601993993535]
  テキスト・ツー・イメージ(T2I)のパーソナライズにより、ユーザーは自然言語のプロンプトに自身の視覚的概念を組み合わせることができる。 既存のエンコーダのほとんどは単一クラスドメインに限定されており、多様な概念を扱う能力を妨げる。 個人化された概念に関する特別なデータセットや事前情報を必要としないドメインに依存しない手法を提案する。
  論文  参考訳（メタデータ） (2023-07-13T17:46:42Z)
• On the Suitability of Representations for Quality Diversity Optimization of Shapes [77.34726150561087]
  進化的アルゴリズムで使用される表現、あるいは符号化は、その性能に大きな影響を及ぼす。 本研究では, 直接符号化, 辞書ベース表現, パラメトリック符号化, 合成パターン生成ネットワーク, セルオートマトンなどの表現が, 酸化メッシュの生成に与える影響について比較した。
  論文  参考訳（メタデータ） (2023-04-07T07:34:23Z)
• 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)
• Domain Invariant Masked Autoencoders for Self-supervised Learning from Multi-domains [73.54897096088149]
  マルチドメインからの自己教師型学習のためのドメイン不変のMasked AutoEncoder (DiMAE)を提案する。 中心となる考え方は、入力画像を異なるドメインからのスタイルノイズで拡張し、拡張イメージの埋め込みからイメージを再構築することである。 PACSとDomainNetの実験は、最近の最先端の手法と比較して、DiMAEがかなりの利益を得ていることを示している。
  論文  参考訳（メタデータ） (2022-05-10T09:49:40Z)
• A Learning Framework for Diffeomorphic Image Registration based on Quasi-conformal Geometry [1.2891210250935146]
  本稿では,非教師付き学習フレームワークである準コンフォーマル登録ネットワーク(QCRegNet)を提案する。 QCRegNetは推定器ネットワークとベルトラミソルバネットワーク(BSNet)から構成される その結果、登録精度は最先端の手法に匹敵し、微分同相性はかなり保証されていることがわかった。
  論文  参考訳（メタデータ） (2021-10-20T14:23:24Z)
• 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)
• In-Domain GAN Inversion for Real Image Editing [56.924323432048304]
  トレーニング済みのGANジェネレータに実際のイメージを送出する一般的な方法は、遅延コードに戻すことである。 既存の反転法は、通常、画素値によってターゲット画像の再構成にフォーカスするが、反転したコードは元の潜伏空間のセマンティックドメインに着陸しない。 本稿では、入力画像を忠実に再構成し、変換されたコードが編集に意味のある意味を持つようにするためのドメイン内GAN逆変換手法を提案する。
  論文  参考訳（メタデータ） (2020-03-31T18:20:18Z)

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。