論文の概要: From Model Based to Learned Regularization in Medical Image Registration: A Comprehensive Review

• arxiv url: http://arxiv.org/abs/2412.15740v1
• Date: Fri, 20 Dec 2024 10:00:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:22:57.498779
• Title: From Model Based to Learned Regularization in Medical Image Registration: A Comprehensive Review
• Title（参考訳）: 医用画像登録における正規化学習モデルから総合的レビューへ
• Authors: Anna Reithmeir, Veronika Spieker, Vasiliki Sideri-Lampretsa, Daniel Rueckert, Julia A. Schnabel, Veronika A. Zimmer,
• Abstract要約: 規則化は、解を解剖学的に意味のある変形へと導く上で重要な要素である。 既存のメソッドが十分であるとして、規則化はしばしば見過ごされるか、デフォルトのアプローチで対処される。 本総説では,多種多様な正規化手法を体系的に分類する新たな分類法を紹介する。
• 参考スコア（独自算出の注目度）: 10.985967613049269
• License:
• Abstract: Image registration is fundamental in medical imaging applications, such as disease progression analysis or radiation therapy planning. The primary objective of image registration is to precisely capture the deformation between two or more images, typically achieved by minimizing an optimization problem. Due to its inherent ill-posedness, regularization is a key component in driving the solution toward anatomically meaningful deformations. A wide range of regularization methods has been proposed for both conventional and deep learning-based registration. However, the appropriate application of regularization techniques often depends on the specific registration problem, and no one-fits-all method exists. Despite its importance, regularization is often overlooked or addressed with default approaches, assuming existing methods are sufficient. A comprehensive and structured review remains missing. This review addresses this gap by introducing a novel taxonomy that systematically categorizes the diverse range of proposed regularization methods. It highlights the emerging field of learned regularization, which leverages data-driven techniques to automatically derive deformation properties from the data. Moreover, this review examines the transfer of regularization methods from conventional to learning-based registration, identifies open challenges, and outlines future research directions. By emphasizing the critical role of regularization in image registration, we hope to inspire the research community to reconsider regularization strategies in modern registration algorithms and to explore this rapidly evolving field further.
• Abstract（参考訳）: 画像登録は、疾患進行分析や放射線治療計画など、医療画像の応用において基本的なものである。 画像登録の主な目的は、2つ以上の画像間の変形を正確に捉えることである。 特異な不規則性のため、正則化は溶液を解剖学的に意味のある変形へと導く重要な要素である。 従来型および深層学習に基づく登録において,多種多様な正規化手法が提案されている。 しかし, 正規化手法の適切な適用は, 特定の登録問題に依存することが多く, オールワンフィット法は存在しない。 その重要性にもかかわらず、既存のメソッドが十分であると仮定して、正規化はしばしば見過ごされるか、デフォルトのアプローチで対処される。 包括的で構造化されたレビューは、まだ欠落している。 提案手法の多様さを体系的に分類する新しい分類法を導入することにより,このギャップに対処する。 これは、データ駆動技術を利用してデータから変形特性を自動的に導出する学習正規化の新たな分野を強調している。 さらに,本研究では,従来の正規化手法を学習ベース登録に移行し,オープンな課題を特定し,今後の研究方向性を概説する。 画像登録における正則化の重要な役割を強調することで、現代の登録アルゴリズムにおける正則化戦略を再考し、この急速に発展する分野をさらに探求したいと考えている。

関連論文リスト

• Deformable Image Registration with Stochastically Regularized Biomechanical Equilibrium [0.0]
  本研究は、離散化を必要としない正規化戦略を導入し、現在の登録フレームワークと互換性を持たせた。 提案手法は、合成データと実データの両方で良好に動作し、現在の最先端手法に匹敵する精度を示す。
  論文  参考訳（メタデータ） (2023-12-22T08:16:47Z)
• RIDE: Self-Supervised Learning of Rotation-Equivariant Keypoint Detection and Invariant Description for Endoscopy [83.4885991036141]
  RIDEは回転同変検出と不変記述のための学習に基づく手法である。 内視鏡画像の大規模なキュレーションを自己指導的に行う。 マッチングと相対的なポーズ推定タスクに対して、最先端のパフォーマンスを新たに設定する。
  論文  参考訳（メタデータ） (2023-09-18T08:16:30Z)
• Learning Homeomorphic Image Registration via Conformal-Invariant Hyperelastic Regularisation [9.53064372566798]
  共形不変性に基づく変形可能な画像登録のための新しいフレームワークを提案する。 我々の正規化器は、変形場が滑らかで、可逆で、配向保存されるように強制する。 我々は,数値的および視覚的な実験を通じて,我々のフレームワークが現在の画像登録技術より優れていることを実証した。
  論文  参考訳（メタデータ） (2023-03-14T17:47:18Z)
• 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)
• PatchNR: Learning from Small Data by Patch Normalizing Flow Regularization [57.37911115888587]
  正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。 patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
  論文  参考訳（メタデータ） (2022-05-24T12:14:26Z)
• Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
  我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。 私たちのアプローチは既存のドメイン戦略よりも優れています。
  論文  参考訳（メタデータ） (2021-07-20T09:44:07Z)
• 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)
• Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
  PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。 また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
  論文  参考訳（メタデータ） (2021-03-04T20:58:22Z)
• Constraining Volume Change in Learned Image Registration for Lung CTs [4.37795447716986]
  本稿では,従来の肺登録法の重要な戦略を特定し,深層学習法の開発に成功した。 我々は、粗い方法で画像登録の最適化を解くことができるガウスピラミドに基づくマルチレベルフレームワークを採用している。 本研究は, COPDGeneデータセット上で, 従来よりもはるかに短い実行時間で, 従来の登録方式と比較して, 最先端の成果をアーカイブすることを示す。
  論文  参考訳（メタデータ） (2020-11-29T14:09:31Z)

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。