論文の概要: MORPH-LER: Log-Euclidean Regularization for Population-Aware Image Registration

• arxiv url: http://arxiv.org/abs/2502.02029v1
• Date: Tue, 04 Feb 2025 05:39:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:02:13.934187
• Title: MORPH-LER: Log-Euclidean Regularization for Population-Aware Image Registration
• Title（参考訳）: MORPH-LER:人口対応画像登録のためのログユークリッド正規化
• Authors: Mokshagna Sai Teja Karanam, Krithika Iyer, Sarang Joshi, Shireen Elhabian,
• Abstract要約: MORPH-LERは,人口適応型教師なし画像登録のためのログユークリッド正規化フレームワークである。 MORPH-LERは、人口形態計測を空間変換から学習し、登録ネットワークのガイドおよび正規化を行う。
• 参考スコア（独自算出の注目度）: 0.027271717351505978
• License:
• Abstract: Spatial transformations that capture population-level morphological statistics are critical for medical image analysis. Commonly used smoothness regularizers for image registration fail to integrate population statistics, leading to anatomically inconsistent transformations. Inverse consistency regularizers promote geometric consistency but lack population morphometrics integration. Regularizers that constrain deformation to low-dimensional manifold methods address this. However, they prioritize reconstruction over interpretability and neglect diffeomorphic properties, such as group composition and inverse consistency. We introduce MORPH-LER, a Log-Euclidean regularization framework for population-aware unsupervised image registration. MORPH-LER learns population morphometrics from spatial transformations to guide and regularize registration networks, ensuring anatomically plausible deformations. It features a bottleneck autoencoder that computes the principal logarithm of deformation fields via iterative square-root predictions. It creates a linearized latent space that respects diffeomorphic properties and enforces inverse consistency. By integrating a registration network with a diffeomorphic autoencoder, MORPH-LER produces smooth, meaningful deformation fields. The framework offers two main contributions: (1) a data-driven regularization strategy that incorporates population-level anatomical statistics to enhance transformation validity and (2) a linearized latent space that enables compact and interpretable deformation fields for efficient population morphometrics analysis. We validate MORPH-LER across two families of deep learning-based registration networks, demonstrating its ability to produce anatomically accurate, computationally efficient, and statistically meaningful transformations on the OASIS-1 brain imaging dataset.
• Abstract（参考訳）: 人口レベルの形態統計を捉える空間変換は、医療画像解析において重要である。 画像登録によく使われる滑らか性正規化器は人口統計を統合することができず、解剖学的に矛盾した変換をもたらす。 逆整合正則化器は幾何整合性を促進するが、人口形態学の統合は欠如している。 低次元多様体法に変形を制約する正規化器はこの問題に対処する。 しかし、それらは解釈可能性よりも再構築を優先し、群合成や逆整合のような微分同相性を無視している。 MORPH-LERは,人口適応型教師なし画像登録のためのログユークリッド正規化フレームワークである。 MORPH-LERは、空間変換から人口形態学を学習し、登録ネットワークをガイドし、規則化し、解剖学的に妥当な変形を保証する。 ボトルネックオートエンコーダが特徴で、反復的な平方根予測を通じて変形場の主対数を計算する。 微分同相性質を尊重し、逆整合を強制する線型化潜在空間を生成する。 登録ネットワークを微分型オートエンコーダと統合することにより、MORPH-LERは滑らかで有意義な変形場を生成する。 このフレームワークは,(1)人口レベルの解剖学的統計を組み込んで変換妥当性を高めるデータ駆動型正規化戦略,(2)コンパクトかつ解釈可能な変形場を有効利用し,効率的な人口形態計測分析を行う線形化潜在空間の2つの主要な貢献を提供する。 我々は、深層学習に基づく登録ネットワークの2つのファミリにわたってMORPH-LERを検証し、OASIS-1脳画像データセット上で、解剖学的に正確で、計算的、統計的に有意な変換を生成できることを実証した。

関連論文リスト

• LEDA: Log-Euclidean Diffeomorphic Autoencoder for Efficient Statistical Analysis of Diffeomorphism [0.029792392019703937]
  非可逆的変形性登録は解剖学的変異を追跡するのに不可欠である。 変形場を解析するための従来の手法は計算に高価であり、数値的な誤りを生じやすい。 逆整合性を強制する損失関数を導入し、変形場の正確な潜伏表現を保証する。
  論文  参考訳（メタデータ） (2024-12-20T18:26:10Z)
• LDM-Morph: Latent diffusion model guided deformable image registration [2.8195553455247317]
  医用画像登録のための非教師あり変形可能な登録アルゴリズム LDM-Morph を提案する。 潜在拡散モデル(LDM)から抽出したLDM-Morph統合機能を用いて意味情報を強化する。 4つのパブリックな2次元心臓画像データセットに対する大規模な実験により、提案されたLDM-Morphフレームワークは、既存の最先端CNNとTransformersベースの登録方法よりも優れていた。
  論文  参考訳（メタデータ） (2024-11-23T03:04:36Z)
• Unsupervised Representation Learning from Sparse Transformation Analysis [79.94858534887801]
  本稿では,潜在変数のスパース成分への変換を分解し,シーケンスデータから表現を学習することを提案する。 入力データは、まず潜伏活性化の分布として符号化され、その後確率フローモデルを用いて変換される。
  論文  参考訳（メタデータ） (2024-10-07T23:53:25Z)
• 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)
• 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)
• Learning Physics-Inspired Regularization for Medical Image Registration with Hypernetworks [3.776306113984256]
  本稿では,物理に着想を得た正規化器の物理パラメータが空間変形場に与える影響を学習するハイパーネットワークを提案する。 我々のアプローチは、テスト時に適切なデータ固有の物理パラメータを効率的に発見することを可能にする。
  論文  参考訳（メタデータ） (2023-11-14T15:20:42Z)
• $\texttt{NePhi}$: Neural Deformation Fields for Approximately Diffeomorphic Medical Image Registration [16.388101540950295]
  NePhiは変形を機能的に表現し、メモリ消費の設計空間において大きな柔軟性をもたらす。 我々は,NePhiが単一解像度の登録設定において,ボクセルに基づく表現の精度に一致することを示す。 マルチレゾリューション登録では,現在のSOTA学習ベース登録手法とインスタンス最適化の精度を一致させる。
  論文  参考訳（メタデータ） (2023-09-13T21:21:50Z)
• Topographic VAEs learn Equivariant Capsules [84.33745072274942]
  本稿では, 地理的に整理された潜伏変数を用いた深部生成モデルを効率的に学習するための新しい手法であるTopographic VAEを紹介する。 このようなモデルでは,MNIST上での桁数クラス,幅,スタイルなどの健全な特徴に応じて,その活性化を組織化することが実際に学べることが示される。 我々は、既存の群同変ニューラルネットワークの能力を拡張して、複素変換に近似した同値性を示す。
  論文  参考訳（メタデータ） (2021-09-03T09:25:57Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• 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)
• Fast Symmetric Diffeomorphic Image Registration with Convolutional Neural Networks [11.4219428942199]
  本稿では,新しい非教師付き対称画像登録手法を提案する。 大規模脳画像データセットを用いた3次元画像登録法について検討した。
  論文  参考訳（メタデータ） (2020-03-20T22:07:24Z)

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。