論文の概要: NCA-Morph: Medical Image Registration with Neural Cellular Automata

• arxiv url: http://arxiv.org/abs/2410.22265v1
• Date: Tue, 29 Oct 2024 17:26:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-30 13:40:17.944301
• Title: NCA-Morph: Medical Image Registration with Neural Cellular Automata
• Title（参考訳）: NCA-Morph:ニューラルセルオートマタを用いた医用画像登録
• Authors: Amin Ranem, John Kalkhof, Anirban Mukhopadhyay,
• Abstract要約: 我々は,Deep Learning (DL) とバイオインスパイアされたコミュニケーションとネットワークのアプローチをシームレスに融合する革新的なアプローチである NCA-Morph を提案する。 NCA-Morphは、効率的な画像登録のためにDLのパワーを利用するだけでなく、生きたシステムで観察される相互作用を模倣して、細胞とそれぞれのボクセル間の局所的な通信ネットワークを構築する。
• 参考スコア（独自算出の注目度）: 2.5462695047893025
• License:
• Abstract: Medical image registration is a critical process that aligns various patient scans, facilitating tasks like diagnosis, surgical planning, and tracking. Traditional optimization based methods are slow, prompting the use of Deep Learning (DL) techniques, such as VoxelMorph and Transformer-based strategies, for faster results. However, these DL methods often impose significant resource demands. In response to these challenges, we present NCA-Morph, an innovative approach that seamlessly blends DL with a bio-inspired communication and networking approach, enabled by Neural Cellular Automata (NCAs). NCA-Morph not only harnesses the power of DL for efficient image registration but also builds a network of local communications between cells and respective voxels over time, mimicking the interaction observed in living systems. In our extensive experiments, we subject NCA-Morph to evaluations across three distinct 3D registration tasks, encompassing Brain, Prostate and Hippocampus images from both healthy and diseased patients. The results showcase NCA-Morph's ability to achieve state-of-the-art performance. Notably, NCA-Morph distinguishes itself as a lightweight architecture with significantly fewer parameters; 60% and 99.7% less than VoxelMorph and TransMorph. This characteristic positions NCA-Morph as an ideal solution for resource-constrained medical applications, such as primary care settings and operating rooms.
• Abstract（参考訳）: 医用画像の登録は、様々な患者のスキャンを調整し、診断、手術計画、追跡などの作業を容易にする重要なプロセスである。 従来の最適化ベースの手法は遅く、より高速な結果を得るためにVoxelMorphやTransformerベースの戦略のようなディープラーニング(DL)技術を使用する。 しかし、これらのDLメソッドは、しばしば重要なリソース要求を課す。 これらの課題に対応するために,NCA-Morphは,バイオインスパイアされたコミュニケーションとネットワークをシームレスにブレンドする革新的なアプローチであり,NCAs(Neural Cellular Automata)によって実現されている。 NCA-Morphは、効率的な画像登録のためにDLのパワーを利用するだけでなく、生きたシステムで観察される相互作用を模倣して、細胞とそれぞれのボクセル間の局所的な通信ネットワークを構築する。 NCA-Morphは健常者および疾患患者の脳,前立腺,海馬の画像を含む3つの異なる3次元登録タスクに対して評価を行った。 その結果,NAA-Morphの最先端性能向上能力が示された。 特に NCA-Morph は、VoxelMorph や TransMorph よりも 60% と 99.7% のパラメータの少ない軽量アーキテクチャである。 この特徴は、NAA-Morphを、プライマリケア設定や手術室などのリソース制約のある医療応用の理想的なソリューションとして位置づけている。

関連論文リスト

• NestedMorph: Enhancing Deformable Medical Image Registration with Nested Attention Mechanisms [0.0]
  変形可能な画像登録は、異なるモダリティにまたがる非線形な方法で医療画像の整列に不可欠である。 本稿では,Nested Attention Fusion を用いた新たなネットワークであるNestedMorphについて述べる。
  論文  参考訳（メタデータ） (2024-10-03T14:53:42Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• MICDIR: Multi-scale Inverse-consistent Deformable Image Registration using UNetMSS with Self-Constructing Graph Latent [0.0]
  本稿ではVoxelmorphアプローチを3つの異なる方法で拡張する。 変形の小さい場合や大きな場合の性能向上のために,マルチスケールのUNetを用いて,解像度の異なるモデルの監視を行った。 脳MRIの登録作業において、提案手法はANTやVoxelMorphよりも大幅に改善された。
  論文  参考訳（メタデータ） (2022-03-08T18:07:47Z)
• Recurrent Variational Network: A Deep Learning Inverse Problem Solver applied to the task of Accelerated MRI Reconstruction [3.058685580689605]
  本稿では,MRIの高速化作業に応用した,ディープラーニングに基づく逆問題解法を提案する。 RecurrentVarNetは複数のブロックから構成されており、それぞれが逆問題を解決するための勾配降下アルゴリズムの1つのアンロール反復に責任を負っている。 提案手法は,公共のマルチチャネル脳データセットから得られた5倍および10倍の加速データに対して,定性的かつ定量的な再構築結果の新たな状態を実現する。
  論文  参考訳（メタデータ） (2021-11-18T11:44:04Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• A Multi-Task Deep Learning Framework to Localize the Eloquent Cortex in Brain Tumor Patients Using Dynamic Functional Connectivity [7.04584289867204]
  脳腫瘍患者の大脳皮質の言語と運動領域を同時に局在させるために動的機能接続を用いた新しいディープラーニングフレームワークを提案する。 本モデルは,従来の深層学習手法よりも高い局所化精度を達成し,左半球側方化症例で訓練した場合でも,両言語領域を識別できる。
  論文  参考訳（メタデータ） (2020-11-17T18:18:09Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。