論文の概要: MemWarp: Discontinuity-Preserving Cardiac Registration with Memorized Anatomical Filters
- arxiv url: http://arxiv.org/abs/2407.08093v1
- Date: Wed, 10 Jul 2024 23:42:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 21:19:34.312045
- Title: MemWarp: Discontinuity-Preserving Cardiac Registration with Memorized Anatomical Filters
- Title(参考訳): MemWarp: 記憶型解剖フィルタによる不連続保存心登録
- Authors: Hang Zhang, Xiang Chen, Renjiu Hu, Dongdong Liu, Gaolei Li, Rongguang Wang,
- Abstract要約: 本稿では,メモリネットワークを利用した学習フレームワークであるMemWarpについて紹介する。
本手法は, 利用可能な心臓データセットの実験において, 登録精度を大幅に向上し, 現実的な変形を生じさせる。
- 参考スコア(独自算出の注目度): 7.964781657955987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many existing learning-based deformable image registration methods impose constraints on deformation fields to ensure they are globally smooth and continuous. However, this assumption does not hold in cardiac image registration, where different anatomical regions exhibit asymmetric motions during respiration and movements due to sliding organs within the chest. Consequently, such global constraints fail to accommodate local discontinuities across organ boundaries, potentially resulting in erroneous and unrealistic displacement fields. In this paper, we address this issue with MemWarp, a learning framework that leverages a memory network to store prototypical information tailored to different anatomical regions. MemWarp is different from earlier approaches in two main aspects: firstly, by decoupling feature extraction from similarity matching in moving and fixed images, it facilitates more effective utilization of feature maps; secondly, despite its capability to preserve discontinuities, it eliminates the need for segmentation masks during model inference. In experiments on a publicly available cardiac dataset, our method achieves considerable improvements in registration accuracy and producing realistic deformations, outperforming state-of-the-art methods with a remarkable 7.1\% Dice score improvement over the runner-up semi-supervised method. Source code will be available at https://github.com/tinymilky/Mem-Warp.
- Abstract(参考訳): 既存の学習ベースで変形可能な画像登録法の多くは、変形場に制約を課し、世界規模で滑らかで連続的であることを保証する。
しかし、この仮定は、異なる解剖学的領域が呼吸中に非対称な動きを呈し、胸腔内の滑動器官による運動を呈する心臓画像登録には当てはまらない。
その結果、このような大域的な制約は臓器の境界を越えて局所的な不連続性に対応できず、誤った非現実的な変位場をもたらす可能性がある。
本稿では,メモリネットワークを利用した学習フレームワークであるMemWarpでこの問題に対処する。
MemWarpは、移動画像と固定画像の類似性マッチングから特徴抽出を分離することで、特徴マップをより効果的に活用できるようにする。
本手法は, 登録精度を大幅に向上し, リアルな変形を生み出すとともに, ランナアップ半教師法よりも7.1\%のDiceスコアが向上し, 最先端の手法よりも優れていた。
ソースコードはhttps://github.com/tinymilky/Mem-Warp.comで入手できる。
関連論文リスト
- Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。
特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。
拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
論文 参考訳(メタデータ) (2024-06-26T17:40:30Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳(メタデータ) (2023-12-26T12:56:31Z) - GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。
我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。
提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
論文 参考訳(メタデータ) (2023-06-26T13:32:09Z) - Joint segmentation and discontinuity-preserving deformable registration:
Application to cardiac cine-MR images [74.99415008543276]
多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。
本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。
入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。
大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
論文 参考訳(メタデータ) (2022-11-24T23:45:01Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳(メタデータ) (2022-07-01T12:16:42Z) - A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。
本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。
本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
論文 参考訳(メタデータ) (2021-07-09T13:35:59Z) - Unsupervised Domain Adaptation with Variational Approximation for
Cardiac Segmentation [15.2292571922932]
非教師なし領域適応は、医用画像セグメンテーションに有用である。
両ドメインの潜在機能を共通かつパラメータ化された変分形式に駆動する新しいフレームワークを提案する。
これは、変分オートエンコーダ(VAE)とこの変分近似の正規化に基づく2つのネットワークによって実現される。
論文 参考訳(メタデータ) (2021-06-16T13:00:39Z) - Post-DAE: Anatomically Plausible Segmentation via Post-Processing with
Denoising Autoencoders [19.361024564220454]
Post-DAEは自動エンコーダ (DAE) に基づく後処理法である
本稿では, Post-DAE を用いて, 誤りとノイズのセグメンテーションマスクをいかに改善できるかを示す。
論文 参考訳(メタデータ) (2020-06-24T15:05:03Z) - Flexible Bayesian Modelling for Nonlinear Image Registration [0.3914676152740142]
本稿では,画像群を共通空間に正確に整列させることができる微分型登録アルゴリズムについて述べる。
その考え方は、形状と外観のばらつきを考慮に入れた確率的グラフィカルモデルで推論を行うことである。
モデルは3次元ヒト脳スキャンのオブジェクト間登録において評価される。
論文 参考訳(メタデータ) (2020-06-03T15:33:14Z)
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。