論文の概要: Unsupervised Deformable Image Registration with Structural Nonparametric Smoothing

• arxiv url: http://arxiv.org/abs/2506.10813v1
• Date: Thu, 12 Jun 2025 15:26:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.81615
• Title: Unsupervised Deformable Image Registration with Structural Nonparametric Smoothing
• Title（参考訳）: 構造的非パラメトリックな平滑化による教師なし変形画像登録
• Authors: Hang Zhang, Xiang Chen, Renjiu Hu, Rongguang Wang, Jinwei Zhang, Min Liu, Yaonan Wang, Gaolei Li, Xinxing Cheng, Jinming Duan,
• Abstract要約: 学習ベースの変形可能な画像登録(DIR)アライメントは、ニューラルネットワークを通じて従来の最適化を償却することによって加速する。 SmoothProperは、スムーズさを強制し、ネットワークのフォワードパス内でメッセージパッシングを促進するプラグイン・アンド・プレイのニューラルモジュールである。 網膜血管データセットの予備的な結果は,2912x2画像上での登録誤差を1.88ピクセルまで低減することを示した。
• 参考スコア（独自算出の注目度）: 21.95149344518237
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-based deformable image registration (DIR) accelerates alignment by amortizing traditional optimization via neural networks. Label supervision further enhances accuracy, enabling efficient and precise nonlinear alignment of unseen scans. However, images with sparse features amid large smooth regions, such as retinal vessels, introduce aperture and large-displacement challenges that unsupervised DIR methods struggle to address. This limitation occurs because neural networks predict deformation fields in a single forward pass, leaving fields unconstrained post-training and shifting the regularization burden entirely to network weights. To address these issues, we introduce SmoothProper, a plug-and-play neural module enforcing smoothness and promoting message passing within the network's forward pass. By integrating a duality-based optimization layer with tailored interaction terms, SmoothProper efficiently propagates flow signals across spatial locations, enforces smoothness, and preserves structural consistency. It is model-agnostic, seamlessly integrates into existing registration frameworks with minimal parameter overhead, and eliminates regularizer hyperparameter tuning. Preliminary results on a retinal vessel dataset exhibiting aperture and large-displacement challenges demonstrate our method reduces registration error to 1.88 pixels on 2912x2912 images, marking the first unsupervised DIR approach to effectively address both challenges. The source code will be available at https://github.com/tinymilky/SmoothProper.
• Abstract（参考訳）: 学習ベースの変形可能な画像登録(DIR)は、ニューラルネットワークによる従来の最適化を償却することで、アライメントを加速する。 ラベルの監督は精度をさらに向上し、目に見えないスキャンの効率的で正確な非線形アライメントを可能にする。 しかし、網膜血管のような大きな滑らかな領域にあるスパースな特徴を持つ画像は、非教師なしDIR法が解決に苦慮する開口と大きな変位の課題をもたらす。 この制限は、ニューラルネットワークが単一の前方通過における変形場を予測し、訓練後の非制約のフィールドを残し、正規化の重みを完全にネットワーク重みにシフトさせることによって生じる。 これらの問題に対処するために、スムーズさを強制し、ネットワークのフォワードパス内でメッセージパッシングを促進するプラグイン・アンド・プレイのニューラルモジュールであるSmoothProperを紹介した。 SmoothProperは、双対性に基づく最適化層と調整された相互作用項を統合することにより、空間的位置をまたいだ流れ信号を効率的に伝播し、滑らかさを強制し、構造的整合性を維持する。 モデルに依存しないため、パラメータオーバーヘッドを最小限に抑えた既存の登録フレームワークにシームレスに統合され、正規化ハイパーパラメータチューニングが不要になる。 本手法は2912x2912画像の登録誤差を1.88ピクセルに削減し,両課題に効果的に対処する最初の教師なしDIRアプローチを示す。 ソースコードはhttps://github.com/tinymilky/SmoothProper.comから入手できる。

関連論文リスト

• Deep regularization networks for inverse problems with noisy operators [2.665036498336221]
  主演算子が雑音データから構築される大きな逆問題に対して,教師付き学習手法を提案する。 ニューラル演算子は、散乱方程式の右側のパターンを対応する正規化パラメータにマッピングする。 我々は,相違原理の論理から情報を得たネットワークが,高いコントラストの画像に繋がることを示す。
  論文  参考訳（メタデータ） (2025-06-08T06:19:18Z)
• Parallel Sequence Modeling via Generalized Spatial Propagation Network [80.66202109995726]
  Generalized Spatial Propagation Network (GSPN)は、2次元空間構造を本質的にキャプチャする最適化された視覚タスクのための新しいアテンションメカニズムである。 GSPNは、空間的コヒーレントな画像データを直接操作し、ラインスキャンアプローチを通じて高密度なペアワイズ接続を形成することにより、制限を克服する。 GSPNは、ImageNet分類、クラス誘導画像生成、テキスト・ツー・イメージ生成などの視覚タスクにおいて、より優れた空間忠実性と最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-01-21T18:56:19Z)
• Fast Diffeomorphic Image Registration using Patch based Fully Convolutional Networks [5.479932919974457]
  本稿では,高速な微分画像登録のための,教師なし学習に基づく完全畳み込みネットワーク(FCN)フレームワークを提案する。 3つの異なるT1強調MRI(T1w MRI)データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-04-05T17:46:38Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Scale Attention for Learning Deep Face Representation: A Study Against Visual Scale Variation [69.45176408639483]
  我々はスケール空間理論に頼って凸層を再構築する。 我々はSCale AttentioN Conv Neural Network(textbfSCAN-CNN)という新しいスタイルを構築した。 単発方式として、推論はマルチショット融合よりも効率的である。
  論文  参考訳（メタデータ） (2022-09-19T06:35:04Z)
• Patch Based Transformation for Minimum Variance Beamformer Image Approximation Using Delay and Sum Pipeline [0.0]
  本研究では,空間内の固定領域に対する遅延補償無線周波数(RF)パッチをU-Netアーキテクチャによって変換するパッチレベルU-Netベースニューラルネットワークを提案する。 提案手法は、ネットワークのパラメータにおけるMVDR手法によって行われるデータ駆動重み適応を考慮に入れた、RFデータ空間の非線形変換を扱う。
  論文  参考訳（メタデータ） (2021-10-19T19:36:59Z)

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。