論文の概要: Transformation trees -- documentation of multimodal image registration
- arxiv url: http://arxiv.org/abs/2501.19140v2
- Date: Thu, 20 Mar 2025 12:43:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-21 19:00:43.526020
- Title: Transformation trees -- documentation of multimodal image registration
- Title（参考訳）: 変換木 -- マルチモーダル画像登録のドキュメント
- Authors: Agnieszka Anna Tomaka, Dariusz Pojda, Michał Tarnawski, Leszek Luchowski,
- Abstract要約: マルチモーダル画像登録は、デジタル患者モデルの作成において重要な役割を果たす。
本稿では,変換木を構造化記録および変換管理の手法として用いることを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Multimodal image registration plays a key role in creating digital patient models by combining data from different imaging techniques into a single coordinate system. This process often involves multiple sequential and interconnected transformations, which must be well-documented to ensure transparency and reproducibility. In this paper, we propose the use of transformation trees as a method for structured recording and management of these transformations. This approach has been implemented in the dpVision software and uses a dedicated .dpw file format to store hierarchical relationships between images, transformations, and motion data. Transformation trees allow precise tracking of all image processing steps, reduce the need to store multiple copies of the same data, and enable the indirect registration of images that do not share common reference points. This improves the reproducibility of the analyses and facilitates later processing and integration of images from different sources. The practical application of this method is demonstrated with examples from orthodontics, including the integration of 3D face scans, intraoral scans, and CBCT images, as well as the documentation of mandibular motion. Beyond orthodontics, this method can be applied in other fields that require systematic management of image registration processes, such as maxillofacial surgery, oncology, and biomechanical analysis. Maintaining long-term data consistency is essential for both scientific research and clinical practice. It enables easier comparison of results in longitudinal studies, improves retrospective analysis, and supports the development of artificial intelligence algorithms by providing standardized and well-documented datasets. The proposed approach enhances data organization, allows for efficient analysis, and facilitates the reuse of information in future studies and diagnostic procedures.
- Abstract（参考訳）: マルチモーダル画像登録は、異なる画像技術から得られるデータを単一の座標系に組み合わせることで、デジタル患者モデルを作成する上で重要な役割を担っている。
このプロセスは、しばしば複数のシーケンシャルかつ相互接続された変換を伴い、透明性と再現性を保証するために十分に文書化されなければならない。
本稿では,これらの変換を構造化記録・管理する手法として,変換木を用いる方法を提案する。
このアプローチはdpVisionソフトウェアで実装されており、専用の.NETフレームワークを使用している。
Dpwファイルフォーマットは、画像、変換、モーションデータ間の階層的な関係を保存する。
変換ツリーは、すべての画像処理ステップの正確な追跡を可能にし、同じデータの複数のコピーを保存する必要を減らし、共通の参照ポイントを共有しない画像の間接的な登録を可能にする。
これにより、解析の再現性が向上し、異なるソースからの後の処理と統合が容易になる。
本手法の実用化は, 3次元顔スキャン, 口腔内スキャン, CBCT画像の統合, および下顎運動の文書化など, 矯正学の例で実証される。
矯正治療以外にも、顎顔面手術、腫瘍学、生体力学解析などの画像登録プロセスの体系的な管理を必要とする他の分野にも応用できる。
長期的なデータの一貫性を維持することは、科学研究と臨床実践の両方に不可欠である。
縦断的研究における結果の比較を容易にし、振り返り分析を改善し、標準化された文書化されたデータセットを提供することで人工知能アルゴリズムの開発を支援する。
提案手法は,データ構造を強化し,効率的な分析を可能にし,今後の研究や診断手順における情報の再利用を容易にする。
関連論文リスト
- SAMReg: SAM-enabled Image Registration with ROI-based Correspondence [12.163299991979574]
本稿では,医療用画像登録のための対の関心領域(ROI)に基づく新しい空間対応表現について述べる。
我々は,トレーニング(あるいはトレーニングデータ)や勾配に基づく微調整,即時的なエンジニアリングを必要としない新しい登録アルゴリズムSAMRegを開発した。
提案手法は,試験指標間でのインテンシティベース反復アルゴリズムとDDF予測学習ベースネットワークより優れている。
論文 参考訳（メタデータ） (2024-10-17T23:23:48Z) - Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - Deep learning in medical image registration: introduction and survey [0.0]
本論文では,簡単な数値例を用いて画像登録を行う。
空間指向のシンボル表現とともに、画像登録の定義を提供する。
また、画像ガイド下手術、運動追跡、腫瘍診断の応用も検討している。
論文 参考訳（メタデータ） (2023-09-01T20:35:00Z) - Enhancing Visually-Rich Document Understanding via Layout Structure
Modeling [91.07963806829237]
レイアウトの知識をモデルに注入する新しい文書理解モデルであるGraphLMを提案する。
我々は、FUNSD、XFUND、CORDなど様々なベンチマークでモデルを評価し、最先端の結果を得た。
論文 参考訳（メタデータ） (2023-08-15T13:53:52Z) - Unifying Vision, Text, and Layout for Universal Document Processing [105.36490575974028]
本稿では,テキスト,画像,レイアウトのモダリティを文書理解と生成を含むさまざまなタスク形式とともに統合するドキュメントAIモデルを提案する。
我々の手法は、財務報告、学術論文、ウェブサイトなど、さまざまなデータ領域にまたがって、文書理解やQAといった9つのドキュメントAIタスクの最先端を定めている。
論文 参考訳（メタデータ） (2022-12-05T22:14:49Z) - Bayesian intrinsic groupwise registration via explicit hierarchical
disentanglement [18.374535632681884]
階層的ベイズ推論の手順としてグループ登録を定式化する一般的な枠組みを提案する。
本稿では, 共用構造表現の共用学習を容易にする, 後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後・後
その結果,マルチモーダルなグループ登録をエンドツーエンドで実現するためのフレームワークの有効性が示された。
論文 参考訳（メタデータ） (2022-06-06T06:13:24Z) - Automated Learning for Deformable Medical Image Registration by Jointly
Optimizing Network Architectures and Objective Functions [69.6849409155959]
本稿では、アーキテクチャとそれに対応する学習目標の両方を協調的に最適化する自動学習登録アルゴリズム(AutoReg)を提案する。
マルチサイトボリュームデータセットと各種登録タスクについて,画像登録実験を行った。
我々のAutoRegは、与えられたボリュームに対して最適な深層登録ネットワークを自動的に学習し、最先端の性能を達成することができる。
論文 参考訳（メタデータ） (2022-03-14T01:54:38Z) - Deep Feature based Cross-slide Registration [13.271717388861557]
クロススライダー画像解析は、単一スライド解析と比較して異なるバイオマーカーの表現を分析することで追加情報を提供する。
本稿では,データ駆動型特徴量を利用して剛性変換を推定するDFBR法を提案する。
論文 参考訳（メタデータ） (2022-02-21T03:25:12Z) - A Transformer-Based Siamese Network for Change Detection [72.04912755926524]
本稿では、変化検出(CD)のためのトランスフォーマーベースのSiameseネットワークアーキテクチャ(略してChangeFormer)を提案する。
提案手法は,マルチ層パーセプション(MLP)デコーダと階層的に構成されたトランスフォーマエンコーダをシムズネットワークアーキテクチャで統合し,CDの精度向上に必要なマルチスケール長範囲細部を効率よくレンダリングする。
論文 参考訳（メタデータ） (2022-01-04T18:55:22Z) - JSSR: A Joint Synthesis, Segmentation, and Registration System for 3D
Multi-Modal Image Alignment of Large-scale Pathological CT Scans [27.180136688977512]
本稿では,エンドツーエンドの3D畳み込みニューラルネットワークに基づく新しいマルチタスク学習システムJSSRを提案する。
システムは、教師なしの方法で異なるタスク間の暗黙の制約を満たすように最適化されている。
従来型のマルチモーダル登録法よりも一貫して優れています。
論文 参考訳（メタデータ） (2020-05-25T16:30:02Z)
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。