論文の概要: Data-Driven Tissue- and Subject-Specific Elastic Regularization for Medical Image Registration

• arxiv url: http://arxiv.org/abs/2407.04355v1
• Date: Fri, 5 Jul 2024 08:50:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 14:00:02.033638
• Title: Data-Driven Tissue- and Subject-Specific Elastic Regularization for Medical Image Registration
• Title（参考訳）: 医用画像登録のためのデータ駆動組織と被験者の弾性規則化
• Authors: Anna Reithmeir, Lina Felsner, Rickmer Braren, Julia A. Schnabel, Veronika A. Zimmer,
• Abstract要約: 弾性正則化器の組織依存弾性パラメータを学習するための新しいデータ駆動手法を提案する。 本手法は,3種類の3Dおよび3D肺CTおよび心MRデータセットを用いて検討した。
• 参考スコア（独自算出の注目度）: 4.58068454185216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-inspired regularization is desired for intra-patient image registration since it can effectively capture the biomechanical characteristics of anatomical structures. However, a major challenge lies in the reliance on physical parameters: Parameter estimations vary widely across the literature, and the physical properties themselves are inherently subject-specific. In this work, we introduce a novel data-driven method that leverages hypernetworks to learn the tissue-dependent elasticity parameters of an elastic regularizer. Notably, our approach facilitates the estimation of patient-specific parameters without the need to retrain the network. We evaluate our method on three publicly available 2D and 3D lung CT and cardiac MR datasets. We find that with our proposed subject-specific tissue-dependent regularization, a higher registration quality is achieved across all datasets compared to using a global regularizer. The code is available at https://github.com/compai-lab/2024-miccai-reithmeir.
• Abstract（参考訳）: 解剖学的構造の生体力学的特性を効果的に捉えることができるため, 患者内画像登録には物理刺激による正則化が望まれる。 しかし、大きな課題は物理的パラメータへの依存にある: パラメータ推定は文献によって大きく異なり、物理的特性自体が本質的に主観的特有である。 本研究では, 弾性正則化器の組織依存弾性パラメータの学習にハイパーネットを利用する新しいデータ駆動手法を提案する。 特に本手法は,ネットワークの再トレーニングを必要とせず,患者固有のパラメータの推定を容易にする。 本手法は,3種類の3Dおよび3D肺CTおよび心MRデータセットを用いて検討した。 提案する対象特異的組織依存正則化では,グローバル正則化を用いた場合と比較して,すべてのデータセットに対して高い登録品質が得られることがわかった。 コードはhttps://github.com/compai-lab/2024-miccai-reithmeirで公開されている。

関連論文リスト

• Physics-informed Neural Network Estimation of Material Properties in Soft Tissue Nonlinear Biomechanical Models [2.8763745263714005]
  物理インフォームドニューラルネットワーク(PINN)と3次元軟組織非線形生体力学モデルを組み合わせた新しいアプローチを提案する。 提案した学習アルゴリズムは、限られた量の変位から情報を符号化し、場合によっては、臨床環境で日常的に取得できる歪みデータを符号化する。 提案手法の精度とロバスト性を示すために,いくつかのベンチマークを行った。
  論文  参考訳（メタデータ） (2023-12-15T13:41:20Z)
• Personalized Predictions of Glioblastoma Infiltration: Mathematical Models, Physics-Informed Neural Networks and Multimodal Scans [1.7061727103035216]
  医学的MRI検査からGlioblastoma (GBM) の浸潤を予測することは腫瘍の増殖動態を理解する上で重要である。 GBM成長の数学的モデルは、腫瘍細胞の空間分布の予測においてデータを補完することができる。 本研究では,単一3次元構造MRIスナップショットからGBM成長の反応拡散PDEモデルの患者特異的パラメータを推定するために,物理情報ニューラルネットワーク(PINN)を用いた手法を提案する。
  論文  参考訳（メタデータ） (2023-11-28T05:45:20Z)
• Learning Physics-Inspired Regularization for Medical Image Registration with Hypernetworks [3.776306113984256]
  本稿では,物理に着想を得た正規化器の物理パラメータが空間変形場に与える影響を学習するハイパーネットワークを提案する。 我々のアプローチは、テスト時に適切なデータ固有の物理パラメータを効率的に発見することを可能にする。
  論文  参考訳（メタデータ） (2023-11-14T15:20:42Z)
• Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
  本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。 PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。 提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2023-09-27T14:39:41Z)
• Non-rigid Medical Image Registration using Physics-informed Neural Networks [8.7196937169933]
  軟組織の生体力学的モデリングは、医用画像の登録を制限する非データ駆動方式を提供する。 この研究は、最近提案された物理インフォームドニューラルネットワーク(PINN)を、前立腺運動をモデル化するための3次元線形弾性モデルにインスタンス化する。
  論文  参考訳（メタデータ） (2023-02-20T22:17:29Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• High-dimensional Bayesian Optimization of Personalized Cardiac Model Parameters via an Embedded Generative Model [7.286540513944084]
  ベイズ最適化の目的関数に生成的変分オートエンコーダ(VAE)を組み込む新しい概念を提案する。 生成コードに関するVAE符号化された知識は、探索空間の探索を導くために使用される。 本発明の方法は、心臓電気生理学的モデルにおける組織興奮性の推定に応用される。
  論文  参考訳（メタデータ） (2020-05-15T22:14:16Z)

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。