論文の概要: Learning accurate rigid registration for longitudinal brain MRI from synthetic data

• arxiv url: http://arxiv.org/abs/2501.13010v1
• Date: Wed, 22 Jan 2025 16:52:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 13:28:41.815988
• Title: Learning accurate rigid registration for longitudinal brain MRI from synthetic data
• Title（参考訳）: 合成データを用いた経時的脳MRIの正確な剛性登録法
• Authors: Jingru Fu, Adrian V. Dalca, Bruce Fischl, Rodrigo Moreno, Malte Hoffmann,
• Abstract要約: モデルは、以前のクロスオブジェクトネットワークよりも正確な剛性変換を推定する。 磁気共鳴画像(MRI)のコントラスト内および横方向の縦方向の登録ペアに頑健に作用する。
• 参考スコア（独自算出の注目度）: 5.815333737195539
• License:
• Abstract: Rigid registration aims to determine the translations and rotations necessary to align features in a pair of images. While recent machine learning methods have become state-of-the-art for linear and deformable registration across subjects, they have demonstrated limitations when applied to longitudinal (within-subject) registration, where achieving precise alignment is critical. Building on an existing framework for anatomy-aware, acquisition-agnostic affine registration, we propose a model optimized for longitudinal, rigid brain registration. By training the model with synthetic within-subject pairs augmented with rigid and subtle nonlinear transforms, the model estimates more accurate rigid transforms than previous cross-subject networks and performs robustly on longitudinal registration pairs within and across magnetic resonance imaging (MRI) contrasts.
• Abstract（参考訳）: Rigidの登録は、一対のイメージの特徴を整列するのに必要な翻訳と回転を決定することを目的としている。 最近の機械学習手法は、対象物間で線形かつ変形可能な登録のための最先端技術となっているが、これらは、正確なアライメントを達成することが不可欠である縦方向(オブジェクト内)の登録に適用した場合に制限を示す。 解剖学的に認識できないアフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・アフィン・ア・ア 剛性および微妙な非線形変換で強化された合成対象対を用いてモデルをトレーニングすることにより、従来のクロスオブジェクトネットワークよりも正確な剛性変換を推定し、磁気共鳴画像(MRI)のコントラスト内および横断的な長手登録ペアに頑健に作用する。

関連論文リスト

• Boosting Medical Image Synthesis via Registration-guided Consistency and Disentanglement Learning [7.94146322342852]
  本稿では,医用画像合成のためのアンタングル学習を取り入れた登録誘導整合性を提案する。 提案したアーキテクチャは、合成および登録モジュール内でのタスク特異性を促進する。 合成モジュールは、解剖学的構造と様々な形態にまたがる特定のスタイルを分離する能力を持つように設計されている。
  論文  参考訳（メタデータ） (2024-07-10T13:41:26Z)
• 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)
• GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
  学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。 我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。 提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
  論文  参考訳（メタデータ） (2023-06-26T13:32:09Z)
• 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)
• 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)
• Unsupervised Image Registration Towards Enhancing Performance and Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
  モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。 本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。 本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
  論文  参考訳（メタデータ） (2022-03-07T12:54:33Z)
• 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)
• A Meta-Learning Approach for Medical Image Registration [6.518615946009265]
  グラデーションベースのメタラーニングフレームワークと統合した,新しい教師なし登録モデルを提案する。 実験の結果,提案モデルでは,精度とトレーニング時間の観点から,性能が有意に向上した。
  論文  参考訳（メタデータ） (2021-04-21T10:27:05Z)
• An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
  本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。 本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。 現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-19T06:00:13Z)
• 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)

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。