論文の概要: RS-MOCO: A deep learning-based topology-preserving image registration method for cardiac T1 mapping

• arxiv url: http://arxiv.org/abs/2410.11651v1
• Date: Tue, 15 Oct 2024 14:38:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-16 14:04:24.732270
• Title: RS-MOCO: A deep learning-based topology-preserving image registration method for cardiac T1 mapping
• Title（参考訳）: 深層学習に基づくT1マッピングのためのトポロジー保存画像登録法RS-MOCO
• Authors: Chiyi Huang, Longwei Sun, Dong Liang, Haifeng Liang, Hongwu Zeng, Yanjie Zhu,
• Abstract要約: 現在、心臓T1マッピングでは、運動補正の効果的な、堅牢で効率的な方法が欠如している。 本稿では,心的T1マッピングにおける動き補正のための深層学習に基づくトポロジ保存画像登録フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.293391422431541
• License:
• Abstract: Cardiac T1 mapping can evaluate various clinical symptoms of myocardial tissue. However, there is currently a lack of effective, robust, and efficient methods for motion correction in cardiac T1 mapping. In this paper, we propose a deep learning-based and topology-preserving image registration framework for motion correction in cardiac T1 mapping. Notably, our proposed implicit consistency constraint dubbed BLOC, to some extent preserves the image topology in registration by bidirectional consistency constraint and local anti-folding constraint. To address the contrast variation issue, we introduce a weighted image similarity metric for multimodal registration of cardiac T1-weighted images. Besides, a semi-supervised myocardium segmentation network and a dual-domain attention module are integrated into the framework to further improve the performance of the registration. Numerous comparative experiments, as well as ablation studies, demonstrated the effectiveness and high robustness of our method. The results also indicate that the proposed weighted image similarity metric, specifically crafted for our network, contributes a lot to the enhancement of the motion correction efficacy, while the bidirectional consistency constraint combined with the local anti-folding constraint ensures a more desirable topology-preserving registration mapping.
• Abstract（参考訳）: 心臓T1マッピングは、心筋組織の様々な臨床症状を評価することができる。 しかし, 心臓T1マッピングでは, 動作補正の有効な, 堅牢, 効率的な方法が不足している。 本稿では,心的T1マッピングにおける動作補正のための深層学習に基づくトポロジ保存画像登録フレームワークを提案する。 特に、BLOCと呼ばれる暗黙的一貫性制約は、双方向の一貫性制約と局所的反折り畳み制約により、画像トポロジをある程度保存する。 コントラスト変動問題に対処するために、心的T1強調画像のマルチモーダル登録のための重み付き画像類似度指標を導入する。 さらに、半教師付き心筋セグメンテーションネットワークと二重ドメインアテンションモジュールをフレームワークに統合して、登録の性能をさらに向上させる。 多数の比較実験とアブレーション実験を行い,本手法の有効性と高いロバスト性を示した。 また,提案した重み付き画像類似度測定基準は,移動補正の有効性向上に大きく寄与する一方で,局所的反折り畳み制約と組み合わせた双方向の一貫性制約により,より望ましいトポロジ保存型登録マッピングの実現が期待できることを示す。

関連論文リスト

• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• Deep-learning-based groupwise registration for motion correction of cardiac $T_1$ mapping [7.69096935566025]
  テンプレートの必要性を省略し,すべてのベースラインイメージを同時に登録する,新しいディープラーニングベースのグループワイド登録フレームワークを提案する。 我々は,PCA-Relax''とよばれる手法と,他のベースライン法を社内の心臓MRIデータセット上で広範囲に評価した。 提案したPCA-Relaxは, 確立されたベースライン上での登録とマッピングの性能をさらに向上させた。
  論文  参考訳（メタデータ） (2024-06-18T10:00:23Z)
• TAI-GAN: A Temporally and Anatomically Informed Generative Adversarial Network for early-to-late frame conversion in dynamic cardiac PET inter-frame motion correction [15.380659401728735]
  本稿では,TAI-GAN(Temporally and Anatomically Informed Generative Adrial Network)と呼ばれる新しい手法を提案する。 提案手法は臨床用82-Rb PETデータセットを用いて評価し, この結果から, TAI-GANは実際の参照フレームに匹敵する高画質の変換早期フレームを生成できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-14T20:39:07Z)
• Contrast-Agnostic Groupwise Registration by Robust PCA for Quantitative Cardiac MRI [15.778560241913674]
  定量的な心臓MRIシークエンス内の全てのベースライン画像の同時登録は、地図の精度と精度に不可欠である。 定量的心臓MRIを低ランク・スパース成分に分解する新しい運動補正フレームワークを提案する。 提案手法は, rPCAを導入することなく, ベースライン方式による登録性能を効果的に向上することを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:48:13Z)
• PCMC-T1: Free-breathing myocardial T1 mapping with Physically-Constrained Motion Correction [15.251935193140982]
  自由呼吸T1マッピングにおける動作補正のための物理制約付きディープラーニングモデルであるPCMC-T1を紹介する。 信号減衰モデルをネットワークアーキテクチャに組み込んで、縦方向緩和軸に沿った物理的に楽観的な変形を促す。
  論文  参考訳（メタデータ） (2023-08-22T08:50:38Z)
• 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)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• 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 Multimodal Image Registration with Adaptative Gradient Guidance [23.461130560414805]
  教師なし学習に基づく手法は、変形可能な画像登録における精度と効率よりも有望な性能を示す。 既存の手法の予測変形場は、登録済み画像対に完全に依存する。 両モデルから推定される変形場を利用する新しい多モード登録フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-12T05:47:20Z)

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。