論文の概要: NimbleReg: A light-weight deep-learning framework for diffeomorphic image registration

• arxiv url: http://arxiv.org/abs/2503.07768v1
• Date: Mon, 10 Mar 2025 18:43:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:44:00.666938
• Title: NimbleReg: A light-weight deep-learning framework for diffeomorphic image registration
• Title（参考訳）: NimbleReg: 微分画像登録のための軽量ディープラーニングフレームワーク
• Authors: Antoine Legouhy, Ross Callaghan, Nolah Mazet, Vivien Julienne, Hojjat Azadbakht, Hui Zhang,
• Abstract要約: ディープラーニングは画像登録に革命をもたらしたが、ほとんどの方法はグリッド化された表現に依存している。 複数領域の解剖学的領域の表面表現を利用した回折像登録のための軽量なフレームワークを提案する。 提案手法は,イメージを消費する最先端のDLベース登録技術に匹敵するアライメントを実現することを実証する。
• 参考スコア（独自算出の注目度）: 2.359373908374829
• License:
• Abstract: This paper presents NimbleReg, a light-weight deep-learning (DL) framework for diffeomorphic image registration leveraging surface representation of multiple segmented anatomical regions. Deep learning has revolutionized image registration but most methods typically rely on cumbersome gridded representations, leading to hardware-intensive models. Reliable fine-grained segmentations, that are now accessible at low cost, are often used to guide the alignment. Light-weight methods representing segmentations in terms of boundary surfaces have been proposed, but they lack mechanism to support the fusion of multiple regional mappings into an overall diffeomorphic transformation. Building on these advances, we propose a DL registration method capable of aligning surfaces from multiple segmented regions to generate an overall diffeomorphic transformation for the whole ambient space. The proposed model is light-weight thanks to a PointNet backbone. Diffeomoprhic properties are guaranteed by taking advantage of the stationary velocity field parametrization of diffeomorphisms. We demonstrate that this approach achieves alignment comparable to state-of-the-art DL-based registration techniques that consume images.
• Abstract（参考訳）: 本稿では,複数の解剖領域の表面表現を利用した拡散型画像登録のための軽量ディープラーニング(DL)フレームワークであるNimbleRegを提案する。 ディープラーニングは画像登録に革命をもたらしたが、ほとんどの手法は扱いにくいグリッド化された表現に依存しており、ハードウェア集約型モデルに繋がる。 信頼性の高いきめ細かいセグメンテーションは、しばしばアライメントのガイドに使用される。 境界面のセグメンテーションを表す軽量な手法が提案されているが、複数の局所写像を全体微分同相変換に融合させるメカニズムが欠如している。 これらの進歩に基づいて,複数のセグメント領域の表面を整列させて周囲空間全体の微分同相変換を生成できるDL登録法を提案する。 提案されたモデルはPointNetのバックボーンのおかげで軽量である。 微分同相体の定常速度場パラメトリゼーションを利用することにより、拡散同相性を保証する。 提案手法は,イメージを消費する最先端のDLベース登録技術に匹敵するアライメントを実現することを実証する。

関連論文リスト

• Interpretable deformable image registration: A geometric deep learning perspective [9.13809412085203]
  解釈可能な登録フレームワークを設計するための理論的基盤を提示する。 粗い方法で変換を洗練するエンドツーエンドのプロセスを定式化します。 我々は、最先端のアプローチよりもパフォーマンスの指標が大幅に改善されたと結論付けている。
  論文  参考訳（メタデータ） (2024-12-17T19:47:10Z)
• SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
  正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。 その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-23T20:55:11Z)
• RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline Model and DoF-based Curriculum Learning [62.86400614141706]
  我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。 我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。 実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-04T15:12:57Z)
• Dual-Flow Transformation Network for Deformable Image Registration with Region Consistency Constraint [95.30864269428808]
  現在のディープラーニング(DL)ベースの画像登録アプローチは、畳み込みニューラルネットワークを利用して、ある画像から別の画像への空間変換を学習する。 一対のイメージ内のROIの類似性を最大化する領域整合性制約を持つ新しいデュアルフロー変換ネットワークを提案する。 4つの公開3次元MRIデータセットを用いた実験により,提案手法は精度と一般化において最高の登録性能が得られることを示した。
  論文  参考訳（メタデータ） (2021-12-04T05:30:44Z)
• Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
  形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。 本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-03T06:41:19Z)
• A method for large diffeomorphic registration via broken geodesics [3.2188961353850187]
  長手データやオブジェクト間データに見られる解剖学的変動は通常、下層の変形によって記述される。 非剛性登録アルゴリズムは広く登録に使われている。 小変形の有限組成に大変形を分解する手法を提案する。
  論文  参考訳（メタデータ） (2020-11-29T06:14:53Z)
• Unsupervised Discovery of Disentangled Manifolds in GANs [74.24771216154105]
  解釈可能な生成プロセスは、様々な画像編集アプリケーションに有用である。 本稿では,任意の学習された生成逆数ネットワークが与えられた潜在空間における解釈可能な方向を検出する枠組みを提案する。
  論文  参考訳（メタデータ） (2020-11-24T02:18:08Z)
• Invariant Deep Compressible Covariance Pooling for Aerial Scene Categorization [80.55951673479237]
  本研究では,空気シーン分類におけるニュアンス変動を解決するために,新しい不変な深部圧縮性共分散プール (IDCCP) を提案する。 本研究では,公開空間画像データセットに関する広範な実験を行い,最先端の手法と比較して,この手法の優位性を実証する。
  論文  参考訳（メタデータ） (2020-11-11T11:13:07Z)
• Large Deformation Diffeomorphic Image Registration with Laplacian Pyramid Networks [11.4219428942199]
  本稿では,画像登録最適化問題を解くために,ラプラシアンピラミッド画像登録ネットワークを提案する。 提案手法は, 良好な微分特性と有望な登録速度を維持しつつ, 既存の手法よりも有意なマージンで性能を向上する。
  論文  参考訳（メタデータ） (2020-06-29T16:10:40Z)
• 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。