論文の概要: An Adversarial Approach to Register Extreme Resolution Tissue Cleared 3D Brain Images

• arxiv url: http://arxiv.org/abs/2501.18815v1
• Date: Fri, 31 Jan 2025 00:19:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 14:02:39.894901
• Title: An Adversarial Approach to Register Extreme Resolution Tissue Cleared 3D Brain Images
• Title（参考訳）: 3次元脳画像を用いた超高分解能組織の登録法
• Authors: Abdullah Naziba, Clinton Fookes, Dimitri Perrin,
• Abstract要約: 我々は,高解像度画像の登録が可能な生成パッチに基づく3次元画像登録モデルを開発した。 本論文で使用される組織クリア化データセットは,CUBICという組織クリア化プロトコルから得られる。
• 参考スコア（独自算出の注目度）: 20.865775626533434
• License:
• Abstract: We developed a generative patch based 3D image registration model that can register very high resolution images obtained from a biochemical process name tissue clearing. Tissue clearing process removes lipids and fats from the tissue and make the tissue transparent. When cleared tissues are imaged with Light-sheet fluorescent microscopy, the resulting images give a clear window to the cellular activities and dynamics inside the tissue.Thus the images obtained are very rich with cellular information and hence their resolution is extremely high (eg .2560x2160x676). Analyzing images with such high resolution is a difficult task for any image analysis pipeline.Image registration is a common step in image analysis pipeline when comparison between images are required. Traditional image registration methods fail to register images with such extant. In this paper we addressed this very high resolution image registration issue by proposing a patch-based generative network named InvGAN. Our proposed network can register very high resolution tissue cleared images. The tissue cleared dataset used in this paper are obtained from a tissue clearing protocol named CUBIC. We compared our method both with traditional and deep-learning based registration methods.Two different versions of CUBIC dataset are used, representing two different resolutions 25% and 100% respectively. Experiments on two different resolutions clearly show the impact of resolution on the registration quality. At 25% resolution, our method achieves comparable registration accuracy with very short time (7 minutes approximately). At 100% resolution, most of the traditional registration methods fail except Elastix registration tool.Elastix takes 28 hours to register where proposed InvGAN takes only 10 minutes.
• Abstract（参考訳）: 生化学的プロセス名組織クリアリングから得られた高解像度画像を登録できる3次元画像登録モデルを開発した。 組織浄化プロセスは、組織から脂質や脂肪を除去し、組織を透明にする。 クリアされた組織を光シート蛍光顕微鏡で撮影すると、得られた画像は細胞活動と組織内部のダイナミックスに明確な窓を与えるが、得られた画像は細胞情報に富み、その解像度は非常に高い(例えば.2560x2160x676)。 このような高解像度の画像解析は、画像解析パイプラインにおいて難しい課題であり、画像の比較が必要な場合、画像登録は画像解析パイプラインの一般的なステップである。 従来の画像登録法では、そのような画像の登録に失敗する。 本稿では,パッチベースの生成ネットワークInvGANを提案することで,高解像度画像登録問題に対処する。 提案するネットワークは,高解像度の組織クリア化画像を登録することができる。 本論文で使用される組織クリア化データセットは,CUBICという組織クリア化プロトコルから得られる。 CUBICデータセットの2つのバージョンは、それぞれ25%と100%の2つの異なる解像度を示す。 2つの異なる解像度の実験は明らかに、解像度が登録品質に与える影響を示している。 25%の解像度で,非常に短い時間 (約7分) で同等の登録精度を達成できる。 100%の解像度で、従来の登録方法はElastix登録ツール以外は失敗し、Elastixは28時間で、提案されているInvGANがわずか10分で登録できる。

関連論文リスト

• Progressive Retinal Image Registration via Global and Local Deformable Transformations [49.032894312826244]
  我々はHybridRetinaと呼ばれるハイブリッド登録フレームワークを提案する。 キーポイント検出器とGAMorphと呼ばれる変形ネットワークを用いて、大域的な変換と局所的な変形可能な変換を推定する。 FIREとFLoRI21という2つの広く使われているデータセットの実験により、提案したHybridRetinaは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-02T08:43:50Z)
• A Generative Approach for Image Registration of Visible-Thermal (VT) Cancer Faces [77.77475333490744]
  我々は、生成的アライメントアルゴリズムを適用し、修正することで、画像登録の古典的なコンピュータビジョンタスクを近代化する。 本稿では,V2T画像翻訳における生成AI下流タスクで生成した熱画像の品質が52.5%に向上することが実証された。
  論文  参考訳（メタデータ） (2023-08-23T17:39:58Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• ABN: Anti-Blur Neural Networks for Multi-Stage Deformable Image Registration [20.054872823030454]
  変形可能な画像登録は、ニューロイメージングのための重要な前処理ステップとして機能する。 マルチステージ画像登録のための新しい解として,アンチブルネットワーク (ABN) を提案する。
  論文  参考訳（メタデータ） (2022-12-06T19:21:43Z)
• 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)
• CLAIRE -- Parallelized Diffeomorphic Image Registration for Large-Scale Biomedical Imaging Applications [3.094458292166017]
  数十億のボクセルを用いた大規模バイオメディカルイメージングアプリケーションにおけるCLAIREの性能について検討した。 CLAIREで得られた完全解像度の登録と、合成および実世界のデータセットの低解像度の登録を比較した。 私たちの結果は、完全な解像度での登録は、優れた登録品質をもたらす可能性があることを示唆しています。
  論文  参考訳（メタデータ） (2022-09-16T22:42:24Z)
• A Resolution Enhancement Plug-in for Deformable Registration of Medical Images [2.512827436728378]
  超解像 (SR) は空間分解能向上を目的としたアルゴリズム技術である。 CNNベースの解像度向上モジュール(REM)は、登録ネットワークにケースド方式で簡単に接続できる。 REMは、医用画像の変形可能な登録を定量的に、質的に、徹底的に評価する。
  論文  参考訳（メタデータ） (2021-12-30T19:04:14Z)
• 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)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Memory-efficient GAN-based Domain Translation of High Resolution 3D Medical Images [0.15092198588928965]
  GAN(Generative Adversarial Network)は大規模な3次元医療画像にはほとんど適用されない。 本研究は、未ペアドメイン翻訳を確立するためのマルチスケールパッチベースのGANアプローチを提案する。 ドメイン翻訳シナリオの評価は155x240x240の脳MRIと最大512x512x512の胸部CTで行う。
  論文  参考訳（メタデータ） (2020-10-06T08:43:27Z)
• CycleMorph: Cycle Consistent Unsupervised Deformable Image Registration [34.546992605648086]
  サイクル整合性は、変形中のトポロジを保存するために暗黙の正規化を提供することで、画像登録性能を向上させる。 医学的・非医学的な応用から得られた様々なデータセットに対する実験結果から,提案手法は,数秒以内に多様な画像対を効果的かつ正確に登録できることを示した。
  論文  参考訳（メタデータ） (2020-08-13T09:30:12Z)

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。