論文の概要: GESH-Net: Graph-Enhanced Spherical Harmonic Convolutional Networks for Cortical Surface Registration

• arxiv url: http://arxiv.org/abs/2410.14805v1
• Date: Fri, 18 Oct 2024 18:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:12:03.994897
• Title: GESH-Net: Graph-Enhanced Spherical Harmonic Convolutional Networks for Cortical Surface Registration
• Title（参考訳）: GESH-Net: 皮質表面登録のためのグラフ強化球高調波畳み込みネットワーク
• Authors: Ruoyu Zhang, Lihui Wang, Kun Tang, Jingwen Xu, Hongjiang Wei,
• Abstract要約: 本稿では,皮質表面画像登録技術を研究するためのディープラーニングモデルを構築した。 マルチスケールのカスケード構造に基づく教師なしの皮質表面登録ネットワークを設計する。 グラフ対応モジュールを登録ネットワークに導入し、グラフアテンションモジュールを使用してネットワークがグローバルな機能を学ぶのを支援する。
• 参考スコア（独自算出の注目度）: 8.896542371748115
• License:
• Abstract: Currently, cortical surface registration techniques based on classical methods have been well developed. However, a key issue with classical methods is that for each pair of images to be registered, it is necessary to search for the optimal transformation in the deformation space according to a specific optimization algorithm until the similarity measure function converges, which cannot meet the requirements of real-time and high-precision in medical image registration. Researching cortical surface registration based on deep learning models has become a new direction. But so far, there are still only a few studies on cortical surface image registration based on deep learning. Moreover, although deep learning methods theoretically have stronger representation capabilities, surpassing the most advanced classical methods in registration accuracy and distortion control remains a challenge. Therefore, to address this challenge, this paper constructs a deep learning model to study the technology of cortical surface image registration. The specific work is as follows: (1) An unsupervised cortical surface registration network based on a multi-scale cascaded structure is designed, and a convolution method based on spherical harmonic transformation is introduced to register cortical surface data. This solves the problem of scale-inflexibility of spherical feature transformation and optimizes the multi-scale registration process. (2)By integrating the attention mechanism, a graph-enhenced module is introduced into the registration network, using the graph attention module to help the network learn global features of cortical surface data, enhancing the learning ability of the network. The results show that the graph attention module effectively enhances the network's ability to extract global features, and its registration results have significant advantages over other methods.
• Abstract（参考訳）: 現在、古典的手法に基づく皮質表面登録技術がよく開発されている。 しかし, 従来の手法では, 医用画像登録におけるリアルタイム・高精度の要件を満たすことができない類似度測定関数が収束するまで, 特定の最適化アルゴリズムに従って, 変形空間の最適な変換を求める必要がある。 深層学習モデルに基づく皮質表面の登録の研究が新たな方向性となっている。 しかし、今のところ、深層学習に基づく皮質表面画像の登録についての研究はごくわずかである。 さらに、理論的にはより強力な表現能力を持つ深層学習法は、登録精度や歪み制御において最も先進的な古典的手法を超越している。 そこで本研究では,皮質表面画像登録技術を研究するための深層学習モデルを構築した。 1) マルチスケールのカスケード構造に基づく教師なしの皮質表面登録ネットワークを設計し, 球面の高調波変換に基づく畳み込み手法を導入して皮質表面データを登録する。 これにより、球面特徴変換のスケール非フレキシビリティの問題が解決され、マルチスケール登録プロセスが最適化される。 2)アテンション機構を統合することで,グラフアテンションモジュールを登録ネットワークに導入し,ネットワークが皮質表面データのグローバルな特徴を学習し,ネットワークの学習能力を高める。 その結果、グラフアテンションモジュールは、グローバルな特徴を抽出するネットワークの能力を効果的に向上させ、その登録結果は、他の手法よりも大きな優位性を持つことがわかった。

関連論文リスト

• Unsupervised Multimodal Surface Registration with Geometric Deep Learning [3.3403308469369577]
  GeoMorphは、皮質表面の画像登録用に設計された新しい幾何学的深層学習フレームワークである。 よりスムーズな変形によるアライメントの改善により,GeoMorphは既存のディープラーニング手法よりも優れていることを示す。 このような汎用性と堅牢性は、様々な神経科学応用に強い可能性を示唆している。
  論文  参考訳（メタデータ） (2023-11-21T22:05:00Z)
• Automatic Landmark Detection and Registration of Brain Cortical Surfaces via Quasi-Conformal Geometry and Convolutional Neural Networks [17.78250777571423]
  本稿では,脳皮質表面の自動的ランドマーク検出と登録のための新しい枠組みを提案する。 まず,ランドマーク曲線の自動抽出を可能にするランドマーク検出ネットワーク(LD-Net)を開発した。 次に,検出されたランドマークと準コンフォーマル理論を用いて表面登録を行う。
  論文  参考訳（メタデータ） (2022-08-15T05:47:51Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Affine Medical Image Registration with Coarse-to-Fine Vision Transformer [11.4219428942199]
  本稿では,3次元医用画像登録のための学習ベースアルゴリズムであるCoarse-to-Fine Vision Transformer (C2FViT)を提案する。 本手法は, 登録精度, 堅牢性, 一般化性の観点から, 既存のCNNベースのアフィン登録法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-29T03:18:43Z)
• A Deep-Discrete Learning Framework for Spherical Surface Registration [4.7633236054762875]
  皮質表面の登録は神経画像解析の基本的なツールである。 本稿では,登録を多ラベル分類問題に変換する,教師なし学習に基づく新しいフレームワークを提案する。 実験により,提案するフレームワークは,最もポピュラーな古典的表面登録アルゴリズムと比較して,類似性やアラル歪みの点で競合的に動作することが示された。
  論文  参考訳（メタデータ） (2022-03-24T11:47:11Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)
• Cortical surface registration using unsupervised learning [8.57142014602892]
  非剛性皮質登録は、ヒト大脳皮質の幾何学的複雑さのために重要かつ困難な課題である。 球面を2次元平面に投影することで生じる歪みにより,近年の学習に基づく表面面の手法は粗悪な結果をもたらす。 SphereMorphは、これらの問題に対処するディープネットワークを用いた皮質表面の微分型登録フレームワークである。
  論文  参考訳（メタデータ） (2020-04-09T15:59:13Z)

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。