論文の概要: NeuReg: Domain-invariant 3D Image Registration on Human and Mouse Brains

• arxiv url: http://arxiv.org/abs/2411.06315v1
• Date: Sat, 09 Nov 2024 23:57:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:13:16.599242
• Title: NeuReg: Domain-invariant 3D Image Registration on Human and Mouse Brains
• Title（参考訳）: NeuReg:ヒトとマウスの脳におけるドメイン不変の3D画像登録
• Authors: Taha Razzaq, Asim Iqbal,
• Abstract要約: 本稿では,ニューラルインスパイアされた3次元画像登録アーキテクチャであるNeuRegについて紹介する。 NeuRegは、画像機能のドメインに依存しない表現を生成し、シフトウィンドウベースのSwin Transformerブロックをエンコーダとして組み込む。 我々の研究は、ニューロインスパイアされたトランスフォーマーベースのアーキテクチャを基盤とした、ドメインに依存しない3D脳画像登録のための新しい最先端技術を確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Medical brain imaging relies heavily on image registration to accurately curate structural boundaries of brain features for various healthcare applications. Deep learning models have shown remarkable performance in image registration in recent years. Still, they often struggle to handle the diversity of 3D brain volumes, challenged by their structural and contrastive variations and their imaging domains. In this work, we present NeuReg, a Neuro-inspired 3D image registration architecture with the feature of domain invariance. NeuReg generates domain-agnostic representations of imaging features and incorporates a shifting window-based Swin Transformer block as the encoder. This enables our model to capture the variations across brain imaging modalities and species. We demonstrate a new benchmark in multi-domain publicly available datasets comprising human and mouse 3D brain volumes. Extensive experiments reveal that our model (NeuReg) outperforms the existing baseline deep learning-based image registration models and provides a high-performance boost on cross-domain datasets, where models are trained on 'source-only' domain and tested on completely 'unseen' target domains. Our work establishes a new state-of-the-art for domain-agnostic 3D brain image registration, underpinned by Neuro-inspired Transformer-based architecture.
• Abstract（参考訳）: 医療用脳画像は、様々な医療応用のための脳機能の構造的境界を正確にキュレートするために、画像登録に大きく依存している。 近年、ディープラーニングモデルは画像登録において顕著な性能を示している。 それでも、彼らはしばしば3Dの脳の体積の多様性を扱うのに苦労し、構造的かつコントラスト的な変化と画像領域に悩まされる。 本稿では,ニューラルインスパイアされた3次元画像登録アーキテクチャであるNeuRegについて紹介する。 NeuRegは、画像機能のドメインに依存しない表現を生成し、シフトウィンドウベースのSwin Transformerブロックをエンコーダとして組み込む。 これにより、私たちのモデルは、脳画像のモダリティや種々のバリエーションを捉えることができます。 我々は,ヒトとマウスの脳の容積からなる多領域公開データセットにおいて,新しいベンチマークを示す。 大規模な実験により、我々のモデル(NeuReg)は、既存のベースラインのディープラーニングベースの画像登録モデルより優れており、クロスドメインデータセットで高速に向上し、モデルが"ソースオンリー"ドメインでトレーニングされ、完全に"見えない"ターゲットドメインでテストされることを示した。 我々の研究は、ニューロインスパイアされたトランスフォーマーベースのアーキテクチャを基盤とした、ドメインに依存しない3D脳画像登録のための新しい最先端技術を確立する。

関連論文リスト

• Domain Aware Multi-Task Pretraining of 3D Swin Transformer for T1-weighted Brain MRI [4.453300553789746]
  脳磁気共鳴画像(MRI)のための3次元スイム変換器の事前訓練のためのドメイン認識型マルチタスク学習タスクを提案する。 脳の解剖学と形態学を取り入れた脳MRIの領域知識と、対照的な学習環境での3Dイメージングに適応した標準的な前提課題を考察した。 本手法は,アルツハイマー病の分類,パーキンソン病の分類,年齢予測の3つの下流課題において,既存の指導的・自己監督的手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-01T05:21:02Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• Domain Re-Modulation for Few-Shot Generative Domain Adaptation [71.47730150327818]
  生成ドメイン適応(Generative Domain Adaptation, GDA)は、トレーニング済みのジェネレータを、いくつかの参照イメージのみを使用して、ひとつのドメインから新しいドメインに転送する。 人間の脳が新しいドメインの知識を得る方法に触発されて、ドメイン再構成(DoRM)と呼ばれる革新的なジェネレータ構造を提示する。 DoRMは、高品質、大規模な合成の多様性、ドメイン間の整合性の基準を満たすだけでなく、メモリとドメインの関連も含んでいる。
  論文  参考訳（メタデータ） (2023-02-06T03:55:35Z)
• 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)
• IMPaSh: A Novel Domain-shift Resistant Representation for Colorectal Cancer Tissue Classification [5.017246733091823]
  我々は、PatchShufflingと呼ばれる新しい拡張と、ディープラーニングモデルの事前学習のためのIMPaShという新しい自己教師型コントラスト学習フレームワークを提案する。 提案手法は従来の組織学領域適応法や最先端の自己教師型学習法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-23T15:59:08Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
  3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。 本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。 ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
  論文  参考訳（メタデータ） (2021-12-02T12:45:46Z)
• 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)
• Image-level Harmonization of Multi-Site Data using Image-and-Spatial Transformer Networks [0.0]
  我々は画像・空間変換ネットワーク(ISTN)を用いて医療画像データの領域シフトに取り組む。 画像レベルでのドメイン適応には ISTN を用いており、その変換は説明可能な外観や形状変化に制約される。 実データ検証のために,Cam-CANとUK Biobankによる2つの脳MRIデータセットを構築した。
  論文  参考訳（メタデータ） (2020-06-30T12:58:41Z)

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。