論文の概要: Impact of Initialization on Intra-subject Pediatric Brain MR Image Registration: A Comparative Analysis between SyN ANTs and Deep Learning-Based Approaches

• arxiv url: http://arxiv.org/abs/2406.19943v1
• Date: Fri, 28 Jun 2024 14:22:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-01 16:40:26.074711
• Title: Impact of Initialization on Intra-subject Pediatric Brain MR Image Registration: A Comparative Analysis between SyN ANTs and Deep Learning-Based Approaches
• Title（参考訳）: 初期化が小児頭蓋内MRI画像登録に及ぼす影響:SyN ANTとディープラーニングによるアプローチの比較検討
• Authors: Andjela Dimitrijevic, Vincent Noblet, Benjamin De Leener,
• Abstract要約: 小児神経画像診断における従来のSyN ANTと学習に基づく登録法の性能評価を行った。 我々は、DeepRegを使ってU-Netアーキテクチャで教師なしDLフレームワークを実装し、5倍のクロスバリデーションを実現した。 DLベースの手法はより高速で正確な登録を約束するが、SyN ANTsは広範なトレーニングを必要とせず、堅牢で一般化可能である。
• 参考スコア（独自算出の注目度）: 0.21847754147782888
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study evaluates the performance of conventional SyN ANTs and learning-based registration methods in the context of pediatric neuroimaging, specifically focusing on intrasubject deformable registration. The comparison involves three approaches: without (NR), with rigid (RR), and with rigid and affine (RAR) initializations. In addition to initialization, performances are evaluated in terms of accuracy, speed, and the impact of age intervals and sex per pair. Data consists of the publicly available MRI scans from the Calgary Preschool dataset, which includes 63 children aged 2-7 years, allowing for 431 registration pairs. We implemented the unsupervised DL framework with a U-Net architecture using DeepReg and it was 5-fold cross-validated. Evaluation includes Dice scores for tissue segmentation from 18 smaller regions obtained by SynthSeg, analysis of log Jacobian determinants, and registration pro-rated training and inference times. Learning-based approaches, with or without linear initializations, exhibit slight superiority over SyN ANTs in terms of Dice scores. Indeed, DL-based implementations with RR and RAR initializations significantly outperform SyN ANTs. Both SyN ANTs and DL-based registration involve parameter optimization, but the choice between these methods depends on the scale of registration: network-based for broader coverage or SyN ANTs for specific structures. Both methods face challenges with larger age intervals due to greater growth changes. The main takeaway is that while DL-based methods show promise with faster and more accurate registrations, SyN ANTs remains robust and generalizable without the need for extensive training, highlighting the importance of method selection based on specific registration needs in the pediatric context. Our code is available at https://github.com/neuropoly/pediatric-DL-registration
• Abstract（参考訳）: 本研究では,従来型のSyN ANTと学習ベース登録法の性能を小児神経画像の文脈で評価し,特に物体内変形性登録に着目した。 比較には3つのアプローチがある: without (NR), with rigid (RR), with rigid and affine (RAR) initializations。 初期化に加えて、パフォーマンスは精度、速度、年齢間隔とペアごとのセックスの影響で評価される。 データは、カルガリー・プレスクールのデータセットから入手可能なMRIスキャンから成り、2-7歳の63人の子供を含む431人の登録ペアから成っている。 我々は、DeepRegを使ってU-Netアーキテクチャで教師なしDLフレームワークを実装し、5倍のクロスバリデーションを実現した。 評価には、SynthSegが取得した18の小さな領域からの組織セグメンテーションのDiceスコア、ログヤコビ行列式の分析、登録前評価トレーニングと推測時間が含まれる。 線形初期化の有無にかかわらず、学習に基づくアプローチは、Diceスコアの点でSyN ANTよりもわずかに優れている。 実際、RRとRARの初期化によるDLベースの実装はSyN ANTよりも大幅に優れている。 SyN ANTとDLベースの登録の両方にはパラメータ最適化が含まれているが、これらの方法の選択は登録の規模によって異なる。 どちらの手法も、成長の変化により、より大きな年齢差で課題に直面している。 主な特徴は、DLベースの手法はより高速で正確な登録を約束するが、SyN ANTは広範囲のトレーニングを必要とせずに堅牢で一般化可能であり、小児科領域における特定の登録ニーズに基づいたメソッド選択の重要性を強調している。 私たちのコードはhttps://github.com/neuropoly/pediatric-DL-registrationで利用可能です。

関連論文リスト

• RegWSI: Whole Slide Image Registration using Combined Deep Feature- and Intensity-Based Methods: Winner of the ACROBAT 2023 Challenge [1.7625447004432986]
  デジタル病理学を専門とする科学コミュニティや病院では,堅牢で効率的かつ正確な登録方法が望まれている。 i) 深層学習と特徴に基づく初期アライメントアルゴリズムと(ii) 強度に基づく非厳密な登録からなる2段階のハイブリッド手法を提案する。 提案手法は特定のデータセットへの微調整を一切必要とせず,任意の組織タイプや染色に直接使用することができる。
  論文  参考訳（メタデータ） (2024-04-19T16:19:30Z)
• DIAS: A Dataset and Benchmark for Intracranial Artery Segmentation in DSA sequences [19.61593883367223]
  血管形態の定量化にはDSA(Digital Subtraction Angiography)の頭蓋内動脈(IA)が重要である。 現在の研究は、主にプロプライエタリデータセットを使用した単一フレームDSAのセグメンテーションに焦点を当てている。 DSAシークエンスにおけるIAセグメンテーションのためのデータセットであるDIASを紹介する。
  論文  参考訳（メタデータ） (2023-06-21T10:03:56Z)
• Similarity Learning based Few Shot Learning for ECG Time Series Classification [1.4665304971699262]
  本稿では,シームズ畳み込みニューラルネットワークを用いたECG不整脈分類のための類似学習に基づくFew Shot Learningを提案する。 ほとんどショットラーニングは、まず、関連する比較的大きなデータベース上でモデルを事前訓練することに依存し、次に学習を使用して、クラス毎に利用可能な少数のサンプルにさらなる適応を行う。
  論文  参考訳（メタデータ） (2022-01-31T09:47:15Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Sequence Transduction with Graph-based Supervision [96.04967815520193]
  ラベルのグラフ表現を受け入れるためにRNN-T損失を一般化するトランスデューサ目的関数を提案する。 CTC型格子を用いたトランスデューサベースのASRは,標準RNN-Tよりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-11-01T21:51:42Z)
• DBSegment: Fast and robust segmentation of deep brain structures -- Evaluation of transportability across acquisition domains [0.18472148461613155]
  本稿では、ディープラーニングを用いて、堅牢で効率的な深層脳セグメンテーションソリューションを提供する。 我々は、登録ベースのアプローチから生成されたラベルを用いて、30の深層脳構造と脳マスクをセグメントするネットワークを訓練した。 提案手法は高速で堅牢で,高信頼性で一般化できる。
  論文  参考訳（メタデータ） (2021-10-18T17:15:39Z)
• Connection Sensitivity Matters for Training-free DARTS: From Architecture-Level Scoring to Operation-Level Sensitivity Analysis [32.94768616851585]
  最近提案されたトレーニングフリーNAS手法は、トレーニングフェーズを放棄し、優れたアーキテクチャを識別するためのスコアとして、さまざまなゼロコストプロキシを設計する。 本稿では, DARTSにおける操作重要度を, パラメータ集中バイアスを回避して, トレーニング不要な方法で適切に測定できるか, という問題を提起する。 ZEROSをNASに活用するための反復的かつデータに依存しない手法を考案することにより、新しい試行は自由微分型アーキテクチャサーチ(FreeDARTS)と呼ばれるフレームワークに繋がる。
  論文  参考訳（メタデータ） (2021-06-22T04:40:34Z)
• NSL: Hybrid Interpretable Learning From Noisy Raw Data [66.15862011405882]
  本稿では,ラベル付き非構造データから解釈可能なルールを学習するニューラルシンボリック学習フレームワークNSLを提案する。 NSLは、機能抽出のためのトレーニング済みニューラルネットワークと、解集合セマンティクスに基づくルール学習のための最先端のILPシステムであるFastLASを組み合わせる。 NSLは、MNISTデータから堅牢なルールを学び、ニューラルネットワークやランダムフォレストベースラインと比較して、比較または優れた精度を達成できることを実証します。
  論文  参考訳（メタデータ） (2020-12-09T13:02:44Z)
• Continual Learning in Recurrent Neural Networks [67.05499844830231]
  リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。 RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重 そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
  論文  参考訳（メタデータ） (2020-06-22T10:05:12Z)
• Learning 3D-3D Correspondences for One-shot Partial-to-partial Registration [66.41922513553367]
  学習に基づく部分的対部分的な登録をワンショットで行うことができることを示す。 そこで本研究では,ビンの利用により閉塞点を考慮に入れた最適輸送層を提案する。 結果として得られるOPRNetフレームワークは、標準ベンチマークにおける最先端技術を上回っている。
  論文  参考訳（メタデータ） (2020-06-08T12:35:47Z)
• Modeling Personalized Item Frequency Information for Next-basket Recommendation [63.94555438898309]
  次世代レコメンデーション(NBR)は、電子商取引や小売業界で一般的である。 既存のRNNでは,レコメンデーションシナリオにおいて,アイテムの周波数情報を直接キャプチャすることはできない。 我々はこれらの臨界信号を直接利用する簡単なアイテム周波数に基づくk-nearest neighbors (kNN)法を提案する。
  論文  参考訳（メタデータ） (2020-05-31T16:42:39Z)

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。