論文の概要: Large Scale Unsupervised Brain MRI Image Registration Solution for Learn2Reg 2024
- arxiv url: http://arxiv.org/abs/2409.00917v2
- Date: Wed, 4 Sep 2024 13:04:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 08:21:03.099124
- Title: Large Scale Unsupervised Brain MRI Image Registration Solution for Learn2Reg 2024
- Title（参考訳）: Learn2Reg 2024のための大規模脳MRI画像登録ソリューション
- Authors: Yuxi Zhang, Xiang Chen, Jiazheng Wang, Min Liu, Yaonan Wang, Dongdong Liu, Renjiu Hu, Hang Zhang,
- Abstract要約: 本稿では,学習2reg 2024 Challengeで提案したタスク2の手法と実験結果について要約する。
この課題は、異なる患者の脳MRI画像における解剖学的構造を教師なしで登録することに焦点を当てる。
我々は、効率的なバックボーンネットワークを構築し、登録精度をさらに高めるため、いくつかのスキームを探索した。
- 参考スコア（独自算出の注目度）: 21.06039804693804
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we summarize the methods and experimental results we proposed for Task 2 in the learn2reg 2024 Challenge. This task focuses on unsupervised registration of anatomical structures in brain MRI images between different patients. The difficulty lies in: (1) without segmentation labels, and (2) a large amount of data. To address these challenges, we built an efficient backbone network and explored several schemes to further enhance registration accuracy. Under the guidance of the NCC loss function and smoothness regularization loss function, we obtained a smooth and reasonable deformation field. According to the leaderboard, our method achieved a Dice coefficient of 77.34%, which is 1.4% higher than the TransMorph. Overall, we won second place on the leaderboard for Task 2.
- Abstract（参考訳）: 本稿では,学習2reg 2024 Challengeで提案したタスク2の手法と実験結果について要約する。
この課題は、異なる患者の脳MRI画像における解剖学的構造を教師なしで登録することに焦点を当てる。
1) セグメンテーションラベルがなく、(2) 大量のデータがある。
これらの課題に対処するため、効率的なバックボーンネットワークを構築し、登録精度をさらに高めるためのいくつかのスキームを探索した。
NCC損失関数と滑らか度正規化損失関数の導出により, 滑らかかつ合理的な変形場を得た。
リーダーボードによると、我々の手法は77.34%のDice係数を達成しており、トランスモルフよりも1.4%高い。
全体的には、タスク2のリーダーボードで2位を獲得しました。
関連論文リスト
- Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。
具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。
知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
論文 参考訳（メタデータ） (2024-07-31T04:32:43Z) - Automatic Aorta Segmentation with Heavily Augmented, High-Resolution 3-D
ResUNet: Contribution to the SEG.A Challenge [0.1633301148398433]
この研究は、MICCAI 2023カンファレンスで組織されたSEGへのMedGIFTチームの貢献を示す。
ディープエンコーダ・デコーダアーキテクチャに基づく完全自動アルゴリズムを提案する。
ソースコードと事前訓練されたモデルを自由にリリースし、Grand-Challengeプラットフォーム上でアルゴリズムへのアクセスを提供する。
論文 参考訳（メタデータ） (2023-10-24T13:28:46Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - 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) - Self-supervised iRegNet for the Registration of Longitudinal Brain MRI
of Diffuse Glioma Patients [0.0]
本稿では,脳腫瘍シーケンス登録チャレンジ2022(BraTS-Reg2022)における縦型脳MRIタスクの登録への貢献について述べる。
我々はiRegNetを拡張した教師なし学習手法を開発した。
実験結果から, 自己監督モデルにより, 初期平均中央値絶対誤差 (MAE) を8.20 (7.62) mm から最低値 3.51 (3.50) mm に改善できることがわかった。
論文 参考訳（メタデータ） (2022-11-20T17:02:52Z) - Brain Tumor Sequence Registration with Non-iterative Coarse-to-fine
Networks and Dual Deep Supervision [11.795108660250843]
脳グリオーマ患者の術前MRI像と術後MRI像の脳腫瘍配列の登録に焦点をあてた。
脳腫瘍の登録は、腫瘍の変化を定量化する脳画像解析の基本的な要件である。
我々は最近提案した非Iterative Coarse-to-finE registration Networks (NICE-Net) を採用した。
論文 参考訳（メタデータ） (2022-11-15T03:58:47Z) - Robust Image Registration with Absent Correspondences in Pre-operative
and Follow-up Brain MRI Scans of Diffuse Glioma Patients [11.4219428942199]
術前および術後の脳MRIスキャンのための3段階登録パイプラインを提案する。
提案手法は,BraTS-Regチャレンジの検証セットにおいて,1.64mm,88%の絶対誤差を実現する。
論文 参考訳（メタデータ） (2022-10-20T06:37:40Z) - FetReg2021: A Challenge on Placental Vessel Segmentation and
Registration in Fetoscopy [52.3219875147181]
2-Twin Transfusion Syndrome (TTTS) に対するレーザー光凝固法が広く採用されている。
このプロシージャは、視野が限られたこと、フェトスコープの操作性が悪いこと、視認性が悪いこと、照明の変動性のために特に困難である。
コンピュータ支援介入(CAI)は、シーン内の重要な構造を特定し、ビデオモザイクを通して胎児の視野を広げることで、外科医に意思決定支援と文脈認識を提供する。
7つのチームがこの課題に参加し、そのモデルパフォーマンスを、6フェットから658ピクセルの注釈付き画像の見当たらないテストデータセットで評価した。
論文 参考訳（メタデータ） (2022-06-24T23:44:42Z) - WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文 参考訳（メタデータ） (2022-04-13T15:27:05Z) - Optimized U-Net for Brain Tumor Segmentation [62.997667081978825]
そこで我々はBraTS21 Challengeにおいて,脳腫瘍分割タスクのための最適化されたU-Netアーキテクチャを提案する。
我々の解は挑戦検証フェーズの勝者であり、正規化統計スコアは0.267、平均Diceスコアは0.8855であった。
論文 参考訳（メタデータ） (2021-10-07T11:44:09Z) - MONAIfbs: MONAI-based fetal brain MRI deep learning segmentation [2.929796807333766]
MONAIfbsと呼ばれる胎児脳のセグメンテーションのための新しいツールを提案する。
これは、人工知能のための医療オープンネットワーク(MONAI)フレームワークを利用しています。
論文 参考訳（メタデータ） (2021-03-21T18:35:25Z)
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。