論文の概要: Automatic Registration of SHG and H&E Images with Feature-based Initial Alignment and Intensity-based Instance Optimization: Contribution to the COMULIS Challenge
- arxiv url: http://arxiv.org/abs/2409.15931v1
- Date: Tue, 24 Sep 2024 09:55:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-26 08:01:40.789150
- Title: Automatic Registration of SHG and H&E Images with Feature-based Initial Alignment and Intensity-based Instance Optimization: Contribution to the COMULIS Challenge
- Title(参考訳): 特徴に基づく初期アライメントと強度に基づくインスタンス最適化によるSHGおよびH&E画像の自動登録:COMULISチャレンジへの貢献
- Authors: Marek Wodzinski, Henning Müller,
- Abstract要約: ヘマトキシリンおよびエオシンスライドに対する非侵襲的第二高調波発生顕微鏡は非常に望ましいが、未解決の問題である。
第2高調波画像は部分的情報のみを含むため、この課題は困難である。
本稿では,自動キーポイントマッチングに基づく手法と,インスタンス最適化に基づく変形可能な登録手法を提案する。
- 参考スコア(独自算出の注目度): 2.1640167354628046
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The automatic registration of noninvasive second-harmonic generation microscopy to hematoxylin and eosin slides is a highly desired, yet still unsolved problem. The task is challenging because the second-harmonic images contain only partial information, in contrast to the stained H&E slides that provide more information about the tissue morphology. Moreover, both imaging methods have different intensity distributions. Therefore, the task can be formulated as a multi-modal registration problem with missing data. In this work, we propose a method based on automatic keypoint matching followed by deformable registration based on instance optimization. The method does not require any training and is evaluated using the dataset provided in the Learn2Reg challenge by the COMULIS organization. The method achieved relatively good generalizability resulting in 88% of success rate in the initial alignment and average target registration error equal to 2.48 on the external validation set. We openly release the source code and incorporate it in the DeeperHistReg image registration framework.
- Abstract(参考訳): 非侵襲的な第2高調波発生顕微鏡のヘマトキシリンおよびエオシンスライドへの自動登録は、非常に望ましいが未解決の問題である。
第2高調波画像は部分的な情報しか含まないため、組織形態に関するより詳細な情報を提供する染色されたH&Eスライドとは対照的である。
さらに、どちらの撮像法も強度分布が異なる。
したがって、そのタスクは欠落データを伴うマルチモーダル登録問題として定式化することができる。
本稿では,自動キーポイントマッチングに基づく手法を提案する。
この方法はトレーニングを一切必要とせず、COMULISのLearn2Regチャレンジで提供されるデータセットを使って評価される。
その結果、初期アライメントにおける成功率の88%と平均目標登録誤差は、外部検証セットで2.48に等しい。
ソースコードを公開し、DeeperHistRegイメージ登録フレームワークに組み込む。
関連論文リスト
- LDM-Morph: Latent diffusion model guided deformable image registration [2.8195553455247317]
医用画像登録のための非教師あり変形可能な登録アルゴリズム LDM-Morph を提案する。
潜在拡散モデル(LDM)から抽出したLDM-Morph統合機能を用いて意味情報を強化する。
4つのパブリックな2次元心臓画像データセットに対する大規模な実験により、提案されたLDM-Morphフレームワークは、既存の最先端CNNとTransformersベースの登録方法よりも優れていた。
論文 参考訳(メタデータ) (2024-11-23T03:04:36Z) - Unsupervised Modality Adaptation with Text-to-Image Diffusion Models for Semantic Segmentation [54.96563068182733]
セグメンテーションタスクのためのテキスト・ツー・イメージ拡散モデル(MADM)を用いたモダリティ適応を提案する。
MADMは、広範囲な画像とテキストのペアで事前訓練されたテキストと画像の拡散モデルを使用して、モデルの相互モダリティ能力を向上する。
我々は,MADMが画像から深度,赤外線,イベントのモダリティといった様々なモダリティタスクにまたがって,最先端の適応性能を実現することを示す。
論文 参考訳(メタデータ) (2024-10-29T03:49:40Z) - 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) - Progressive Alignment with VLM-LLM Feature to Augment Defect Classification for the ASE Dataset [7.1083241462091165]
従来の欠陥分類アプローチは2つの障壁に直面している。
不十分なトレーニングデータと不安定なデータ品質。
画像上に記録されたリッチなデータ記述を含む,欠陥分類のための特別なデータセットを提案するが,欠陥特徴を直接学習するのは困難である。
論文 参考訳(メタデータ) (2024-04-08T04:17:27Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳(メタデータ) (2023-08-31T05:05:53Z) - 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) - A Hybrid Deep Feature-Based Deformable Image Registration Method for
Pathology Images [18.439134996404274]
病理学者は、正確な診断のために、異なる染色された病理スライスからの情報を組み合わせる必要がある。
本稿では, 染色された病理試料に対するハイブリッドな特徴量に基づく変形可能な画像登録フレームワークを提案する。
提案手法は,平均平均登録目標誤差(rTRE)が0.0034に達すると,従来の手法よりも17%向上する。
論文 参考訳(メタデータ) (2022-08-16T10:35:18Z) - Learning a Model-Driven Variational Network for Deformable Image
Registration [89.9830129923847]
VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。
登録精度において最先端のディープラーニング手法よりも優れています。
ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
論文 参考訳(メタデータ) (2021-05-25T21:37:37Z) - CoMIR: Contrastive Multimodal Image Representation for Registration [4.543268895439618]
我々は,CoMIR(Contrastive Multimodal Image Representations)と呼ばれる,共有された高密度画像表現を学習するためのコントラスト符号化を提案する。
CoMIRは、十分に類似した画像構造が欠如しているため、既存の登録方法がしばしば失敗するマルチモーダル画像の登録を可能にする。
論文 参考訳(メタデータ) (2020-06-11T10:51:33Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳(メタデータ) (2020-04-30T03:23:45Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳(メタデータ) (2020-03-18T12:18:35Z)
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。