Fugu-MT 論文翻訳(概要): Dual-Attention Frequency Fusion at Multi-Scale for Joint Segmentation and Deformable Medical Image Registration

論文の概要: Dual-Attention Frequency Fusion at Multi-Scale for Joint Segmentation and Deformable Medical Image Registration

arxiv url: http://arxiv.org/abs/2409.19658v1
Date: Sun, 29 Sep 2024 11:11:04 GMT
ステータス: 処理完了
システム内更新日: 2024-11-05 21:58:59.409184
Title: Dual-Attention Frequency Fusion at Multi-Scale for Joint Segmentation and Deformable Medical Image Registration
Title（参考訳）: 関節分割と変形性医用画像登録のためのマルチスケールデュアルアテンション周波数フュージョン
Authors: Hongchao Zhou, Shunbo Hu,
Abstract要約: 二重注意周波数融合(DAFF-Net)に基づくマルチタスク学習フレームワークを提案する。 DAFF-Netは、単一ステップ推定において、セグメンテーションマスクと密度変形場を同時に達成する。 3つのパブリックな3次元脳磁気共鳴画像(MRI)データセットの実験により、提案されたDAFF-Netとその教師なし変種は、最先端の登録方法より優れていることが示された。
参考スコア（独自算出の注目度）: 2.6089354079273512
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deformable medical image registration is a crucial aspect of medical image analysis. In recent years, researchers have begun leveraging auxiliary tasks (such as supervised segmentation) to provide anatomical structure information for the primary registration task, addressing complex deformation challenges in medical image registration. In this work, we propose a multi-task learning framework based on multi-scale dual attention frequency fusion (DAFF-Net), which simultaneously achieves the segmentation masks and dense deformation fields in a single-step estimation. DAFF-Net consists of a global encoder, a segmentation decoder, and a coarse-to-fine pyramid registration decoder. During the registration decoding process, we design the dual attention frequency feature fusion (DAFF) module to fuse registration and segmentation features at different scales, fully leveraging the correlation between the two tasks. The DAFF module optimizes the features through global and local weighting mechanisms. During local weighting, it incorporates both high-frequency and low-frequency information to further capture the features that are critical for the registration task. With the aid of segmentation, the registration learns more precise anatomical structure information, thereby enhancing the anatomical consistency of the warped images after registration. Additionally, due to the DAFF module's outstanding ability to extract effective feature information, we extend its application to unsupervised registration. Extensive experiments on three public 3D brain magnetic resonance imaging (MRI) datasets demonstrate that the proposed DAFF-Net and its unsupervised variant outperform state-of-the-art registration methods across several evaluation metrics, demonstrating the effectiveness of our approach in deformable medical image registration.
Abstract（参考訳）: 変形可能な医用画像登録は、医用画像解析の重要な側面である。近年, 医用画像登録における複雑な変形問題に対処するため, 補助的タスク(教師付きセグメンテーションなど)を活用して, 一次登録タスクの解剖学的構造情報の提供を開始している。本研究では,マルチスケールデュアルアテンション周波数融合(DAFF-Net)に基づくマルチタスク学習フレームワークを提案する。 DAFF-Netはグローバルエンコーダ、セグメンテーションデコーダ、粗大なピラミッド登録デコーダで構成される。登録復号処理中、我々は2つのタスク間の相関関係を完全に活用し、異なるスケールでの登録とセグメント化機能を融合するためのデュアルアテンション周波数特徴融合(DAFF)モジュールを設計する。 DAFFモジュールはグローバルおよびローカルな重み付け機構を通じて機能を最適化する。局所重み付けでは、高周波情報と低周波情報の両方を組み込んで、登録作業に不可欠な特徴をさらに捉えている。セグメンテーションの助けを借りて、登録はより正確な解剖学的構造情報を学び、これにより登録後の歪んだ画像の解剖学的整合性を高める。さらに,DAFFモジュールが効果的な特徴情報を抽出する能力に優れており,その応用を教師なし登録に拡張する。 3つのパブリック3次元脳磁気共鳴画像(MRI)データセットの広範囲な実験により,提案したDAFF-Netとその教師なし変種は,いくつかの評価指標において,最先端の登録方法よりも優れており,変形可能な医用画像登録におけるアプローチの有効性が実証されている。

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)
Modality-agnostic Domain Generalizable Medical Image Segmentation by Multi-Frequency in Multi-Scale Attention [1.1155836879100416]
医用画像セグメンテーションのためのModality-Agnostic Domain Generalizable Network (MADGNet)を提案する。 MFMSAブロックは空間的特徴抽出の過程を洗練させる。 E-SDMは、深い監督を伴うマルチタスク学習における情報損失を軽減する。
論文参考訳（メタデータ） (2024-05-10T07:34:36Z)
SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文参考訳（メタデータ） (2024-02-27T06:32:56Z)
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)
Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2023-01-12T08:19:46Z)
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)
ACSGRegNet: A Deep Learning-based Framework for Unsupervised Joint Affine and Diffeomorphic Registration of Lumbar Spine CT via Cross- and Self-Attention Fusion [4.068962439293273]
本研究では,医用画像登録のためのエンドツーエンドの深層学習フレームワークを提案する。 ACSGRegNetは、画像間特徴対応を確立するクロスアテンションモジュールと、画像内解剖学的構造を認識する自己アテンションモジュールを統合する。我々の手法は平均Dice 0.963 と平均距離誤差 0.321mm を達成し,SOTA (State-of-the-art) よりも優れている。
論文参考訳（メタデータ） (2022-08-04T13:13:48Z)
SearchMorph:Multi-scale Correlation Iterative Network for Deformable Registration [2.417545540754701]
教師なしマルチスケール相関反復登録ネットワーク(SearchMorph)を提案する。提案手法は,最先端手法よりも高い登録精度と低い折り畳み点比を実現する。
論文参考訳（メタデータ） (2022-06-27T06:37:02Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)
JSSR: A Joint Synthesis, Segmentation, and Registration System for 3D Multi-Modal Image Alignment of Large-scale Pathological CT Scans [27.180136688977512]
本稿では,エンドツーエンドの3D畳み込みニューラルネットワークに基づく新しいマルチタスク学習システムJSSRを提案する。システムは、教師なしの方法で異なるタスク間の暗黙の制約を満たすように最適化されている。従来型のマルチモーダル登録法よりも一貫して優れています。
論文参考訳（メタデータ） (2020-05-25T16:30:02Z)

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。