論文の概要: Multi-Objective Deep-Learning-based Biomechanical Deformable Image Registration with MOREA

• arxiv url: http://arxiv.org/abs/2501.16525v1
• Date: Mon, 27 Jan 2025 21:50:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-29 16:43:16.228190
• Title: Multi-Objective Deep-Learning-based Biomechanical Deformable Image Registration with MOREA
• Title（参考訳）: MOREAを用いた多目的深層学習に基づく生体力学的変形画像登録
• Authors: Georgios Andreadis, Eduard Ruiz Munné, Thomas H. W. Bäck, Peter A. N. Bosman, Tanja Alderliesten,
• Abstract要約: 深層学習(DL)技術を用いた変形可能な画像登録(DIR)アプローチは、変換を瞬時に予測する際、顕著な可能性を示している。 生体力学的有限要素モデリング(FEM)技術を用いたDIRアプローチは、より現実的な変換を見つけることができるが、より長いランタイムを必要とする傾向がある。 この研究は、両世界を最大限に活用することを目的として、これらを組み合わせるための最初のハイブリッドアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.41942958779358674
• License:
• Abstract: When choosing a deformable image registration (DIR) approach for images with large deformations and content mismatch, the realism of found transformations often needs to be traded off against the required runtime. DIR approaches using deep learning (DL) techniques have shown remarkable promise in instantly predicting a transformation. However, on difficult registration problems, the realism of these transformations can fall short. DIR approaches using biomechanical, finite element modeling (FEM) techniques can find more realistic transformations, but tend to require much longer runtimes. This work proposes the first hybrid approach to combine them, with the aim of getting the best of both worlds. This hybrid approach, called DL-MOREA, combines a recently introduced multi-objective DL-based DIR approach which leverages the VoxelMorph framework, called DL-MODIR, with MOREA, an evolutionary algorithm-based, multi-objective DIR approach in which a FEM-like biomechanical mesh transformation model is used. In our proposed hybrid approach, the DL results are used to smartly initialize MOREA, with the aim of more efficiently optimizing its mesh transformation model. We empirically compare DL-MOREA against its components, DL-MODIR and MOREA, on CT scan pairs capturing large bladder filling differences of 15 cervical cancer patients. While MOREA requires a median runtime of 45 minutes, DL-MOREA can already find high-quality transformations after 5 minutes. Compared to the DL-MODIR transformations, the transformations found by DL-MOREA exhibit far less folding and improve or preserve the bladder contour distance error.
• Abstract（参考訳）: 大きな変形とコンテンツミスマッチを持つ画像に対して、変形可能な画像登録(DIR)アプローチを選択する場合、見いだされた変換の現実性は、要求されるランタイムに対してトレードオフされることが多い。 ディープラーニング(DL)技術を用いたDIRアプローチは、変換を即座に予測する際、顕著な将来性を示している。 しかし、困難な登録問題では、これらの変換の現実性は不足することがある。 生体力学的有限要素モデリング(FEM)技術を用いたDIRアプローチは、より現実的な変換を見つけることができるが、より長いランタイムを必要とする傾向がある。 この研究は、両世界を最大限に活用することを目的として、これらを組み合わせるための最初のハイブリッドアプローチを提案する。 DL-MOREAと呼ばれるこのハイブリッドアプローチは、最近導入された多目的DLベースのDIRアプローチと、FEMのようなバイオメカニカルメッシュ変換モデルを使用する進化的アルゴリズムベースの多目的DIRアプローチであるMOREAを組み合わせたものである。 提案するハイブリッドアプローチでは,そのメッシュ変換モデルをより効率的に最適化することを目的とした,MOREAをスマートに初期化する。 子宮頸癌15例の膀胱充填率の違いをCTスキャンで解析し, DL-MOREAとDL-MODIR, MOREAを比較した。 MOREAは45分という中央値のランタイムを必要とするが、DL-MOREAはすでに5分で高品質な変換を見つけることができる。 DL-MODIR変換と比較すると,DL-MOREAの変形ははるかに小さく,膀胱の輪郭距離誤差を改善・維持する。

関連論文リスト

• One Diffusion Step to Real-World Super-Resolution via Flow Trajectory Distillation [60.54811860967658]
  FluxSRはフローマッチングモデルに基づく新しい一段階拡散リアルISRである。 まず,フロートラジェクトリ蒸留(FTD)を導入し,多段階のフローマッチングモデルを1段階のリアルISRに蒸留する。 第2に、画像リアリズムを改善し、生成画像の高周波アーティファクト問題に対処するために、テレビLPIPSを知覚的損失として提案する。
  論文  参考訳（メタデータ） (2025-02-04T04:11:29Z)
• Large Language Models for Multimodal Deformable Image Registration [50.91473745610945]
  そこで本研究では,様々な医用画像からの深い特徴の整合を図るために,新しい粗いMDIRフレームワークLLM-Morphを提案する。 具体的には、まずCNNエンコーダを用いて、クロスモーダル画像ペアから深い視覚的特徴を抽出し、次に、最初のアダプタを使ってこれらのトークンを調整する。 第3に、トークンのアライメントのために、他の4つのアダプタを使用して、LLM符号化トークンをマルチスケールの視覚特徴に変換し、マルチスケールの変形場を生成し、粗いMDIRタスクを容易にする。
  論文  参考訳（メタデータ） (2024-08-20T09:58:30Z)
• Deformation-Recovery Diffusion Model (DRDM): Instance Deformation for Image Manipulation and Synthesis [13.629617915974531]
  変形-回復拡散モデル (DRDM) は, 変形拡散と回復に基づく拡散モデルである。 DRDMは、不合理な変形成分の回復を学ぶために訓練され、ランダムに変形した各画像を現実的な分布に復元する。 心MRIおよび肺CTによる実験結果から,DRDMは多種多様(10%以上の画像サイズ変形スケール)の変形を生じさせることが示された。
  論文  参考訳（メタデータ） (2024-07-10T01:26:48Z)
• PEMMA: Parameter-Efficient Multi-Modal Adaptation for Medical Image Segmentation [5.056996354878645]
  CTとPETの両方のスキャンが利用可能であれば、それらをセグメンテーションモデルへの入力の2つのチャネルとして組み合わせることが一般的である。 この方法は、トレーニングと推論の両方のスキャンタイプを必要とし、PETスキャンの可用性が制限されているため、課題を提起する。 変圧器を用いたセグメンテーションモデルの軽量アップグレードのためのパラメータ効率・マルチモーダル適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-21T16:29:49Z)
• A Tournament of Transformation Models: B-Spline-based vs. Mesh-based Multi-Objective Deformable Image Registration [0.44998333629984877]
  B-スプラインモデルとメッシュ変換モデルとの直接比較を行う。 子宮頸癌患者の骨盤CTによる2種類の登録問題を比較検討した。 子宮頸癌患者3名を対象に, トランスフォーメーションモデルの選択が登録結果の多様性と品質に重大な影響を及ぼす可能性が示唆された。
  論文  参考訳（メタデータ） (2024-01-30T10:17:46Z)
• A-SDM: Accelerating Stable Diffusion through Redundancy Removal and Performance Optimization [54.113083217869516]
  本研究ではまず,ネットワークの計算冗長性について検討する。 次に、モデルの冗長性ブロックをプルークし、ネットワーク性能を維持する。 第3に,計算集約型注意部を高速化するグローバル地域対話型注意(GRI)を提案する。
  論文  参考訳（メタデータ） (2023-12-24T15:37:47Z)
• Equivariant Multi-Modality Image Fusion [124.11300001864579]
  エンドツーエンドの自己教師型学習のための同変多モードImAge融合パラダイムを提案する。 我々のアプローチは、自然画像応答が特定の変換に等しくなるという以前の知識に根ざしている。 実験により、EMMAは赤外線可視画像と医用画像に高品質な融合結果をもたらすことが確認された。
  論文  参考訳（メタデータ） (2023-05-19T05:50:24Z)
• MOREA: a GPU-accelerated Evolutionary Algorithm for Multi-Objective Deformable Registration of 3D Medical Images [0.7734726150561088]
  大規模な変形に対処可能な3次元画像の変形可能な登録のための,最初の進化的アルゴリズムに基づくアプローチであるMOREAを提案する。 MOREAには物理可視性のための3Dバイオメカニカルメッシュモデルが含まれており、完全にGPUアクセラレーションされている。 頸部癌4例の腹部CT検査におけるMOREAの有用性について検討した。
  論文  参考訳（メタデータ） (2023-03-08T20:26:55Z)
• Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
  マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。 既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。 そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-26T01:42:59Z)
• Multi-Objective Dual Simplex-Mesh Based Deformable Image Registration for 3D Medical Images -- Proof of Concept [0.7734726150561088]
  本研究は,単純なメッシュに基づく3次元デュアルダイナミックグリッド変換モデルを用いて,多目的3次元変形可能な画像登録のための最初の手法を提案する。 概念実証プロトタイプは, 総合的, 臨床的な3D登録問題に対して有望な結果を示した。
  論文  参考訳（メタデータ） (2022-02-22T16:07:29Z)
• 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。