論文の概要: Multi-modal deformable image registration using untrained neural networks

• arxiv url: http://arxiv.org/abs/2411.02672v1
• Date: Mon, 04 Nov 2024 23:13:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:58:30.964145
• Title: Multi-modal deformable image registration using untrained neural networks
• Title（参考訳）: 未学習ニューラルネットワークを用いたマルチモーダルデフォルマブル画像登録
• Authors: Quang Luong Nhat Nguyen, Ruiming Cao, Laura Waller,
• Abstract要約: 本稿では,ニューラルネットワークを用いた画像表現のための登録手法を提案する。 本手法では,登録前の暗黙的な表現能力に制限のある未学習ネットワークを用いる。 特定のデータ型に特化している従来の手法とは異なり、本手法は厳格かつ非厳格であり、シングルモーダルとマルチモーダルの登録を扱う。
• 参考スコア（独自算出の注目度）: 3.0832643041058603
• License:
• Abstract: Image registration techniques usually assume that the images to be registered are of a certain type (e.g. single- vs. multi-modal, 2D vs. 3D, rigid vs. deformable) and there lacks a general method that can work for data under all conditions. We propose a registration method that utilizes neural networks for image representation. Our method uses untrained networks with limited representation capacity as an implicit prior to guide for a good registration. Unlike previous approaches that are specialized for specific data types, our method handles both rigid and non-rigid, as well as single- and multi-modal registration, without requiring changes to the model or objective function. We have performed a comprehensive evaluation study using a variety of datasets and demonstrated promising performance.
• Abstract（参考訳）: 画像登録技術は通常、登録される画像は特定のタイプ(例えば、マルチモーダルと2D対3D、剛性対デフォルマブル)であり、すべての条件下でデータを処理できる一般的な方法がないと仮定する。 本稿では,ニューラルネットワークを用いた画像表現のための登録手法を提案する。 提案手法では, 表現能力に制限のある未学習ネットワークを暗黙的に使用し, 良好な登録を導出する。 特定のデータ型に特化していた従来の手法とは異なり、本手法はモデルや目的関数の変更を必要とせず、剛性と非剛性の両方を扱い、シングルモーダルとマルチモーダルの登録を行う。 各種データセットを用いて総合評価を行い,有望な性能を示した。

関連論文リスト

• Adversarial Robustification via Text-to-Image Diffusion Models [56.37291240867549]
  アドリラルロバスト性は、ニューラルネットワークをエンコードする難しい性質として伝統的に信じられてきた。 データを使わずに敵の堅牢性を実現するために,スケーラブルでモデルに依存しないソリューションを開発した。
  論文  参考訳（メタデータ） (2024-07-26T10:49:14Z)
• MAD: Modality Agnostic Distance Measure for Image Registration [14.558286801723293]
  マルチモーダル画像登録は多くの医療応用において重要な前処理ステップである。 画像の固有な幾何学をランダムな畳み込みを用いて学習する手法である、Modality Agnostic Distance (MAD)を提案する。 我々は、MADがマルチモーダル画像のアフィニシャルな登録を成功させるだけでなく、従来の計測値よりも大きなキャプチャ範囲を持つことを実証した。
  論文  参考訳（メタデータ） (2023-09-06T09:59:58Z)
• Unsupervised Multi-Modal Medical Image Registration via Discriminator-Free Image-to-Image Translation [4.43142018105102]
  本稿では,複数モーダル登録問題をモノモーダル画像に変換するための,新しい翻訳に基づく教師なしデフォルマブル画像登録手法を提案する。 提案手法では,登録ネットワークのトレーニングを容易にするために,識別不要な翻訳ネットワークと,オブジェクトの形状を保たせるためのパッチワイドなコントラスト損失が組み込まれている。
  論文  参考訳（メタデータ） (2022-04-28T17:18:21Z)
• NeuralReshaper: Single-image Human-body Retouching with Deep Neural Networks [50.40798258968408]
  本稿では,深部生成ネットワークを用いた単一画像における人体の意味的再構成手法であるNeuralReshaperを提案する。 われわれのアプローチは、まずパラメトリックな3次元人間モデルと元の人間の画像とを適合させるフィッティング・セイン・リフォーム・パイプラインに従う。 ペアデータが存在しないデータ不足に対処するために,ネットワークをトレーニングするための新たな自己教師型戦略を導入する。
  論文  参考訳（メタデータ） (2022-03-20T09:02:13Z)
• Multi-modal unsupervised brain image registration using edge maps [7.49320945341034]
  本稿では,マルチモーダル画像登録手法を提案する。 この背景にある直感は、強い勾配の像の位置が組織の遷移を意味すると仮定されている。 我々は3つの異なる損失関数を用いて、異なる被験者のマルチモーダル(T1wからT2w)磁気共鳴(MR)脳画像を登録する状況において、我々のアプローチを評価する。
  論文  参考訳（メタデータ） (2022-02-09T15:50:14Z)
• Meta Internal Learning [88.68276505511922]
  単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。 本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。 以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:27:38Z)
• Deformable Image Registration using Neural ODEs [15.245085400790002]
  ニューラル常微分方程式(NODE)を利用した汎用的で高速かつ高精度な微分型画像登録フレームワークを提案する。 従来の最適化手法と比較して、我々のフレームワークは実行時間を数十分から数十秒に短縮する。 実験の結果, 提案手法の登録結果は, 各種測定値において, 最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-07T12:54:17Z)
• 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)
• Recurrent Multi-view Alignment Network for Unsupervised Surface Registration [79.72086524370819]
  非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。 我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。 また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
  論文  参考訳（メタデータ） (2020-11-24T14:22:42Z)
• 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)
• Deform-GAN:An Unsupervised Learning Model for Deformable Registration [4.030402376540977]
  本稿では,教師なし学習を利用した3次元医用画像の非剛性登録手法を提案する。 提案した勾配損失は、大きな変形のためのシーケンスやモーダルにわたって頑健である。 トレーニング中は、接地や手動のラベリングは必要とされない。
  論文  参考訳（メタデータ） (2020-02-26T12:20:46Z)

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。