論文の概要: VoxelOpt: Voxel-Adaptive Message Passing for Discrete Optimization in Deformable Abdominal CT Registration

• arxiv url: http://arxiv.org/abs/2506.19975v1
• Date: Tue, 24 Jun 2025 19:44:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.52334
• Title: VoxelOpt: Voxel-Adaptive Message Passing for Discrete Optimization in Deformable Abdominal CT Registration
• Title（参考訳）: VoxelOpt: 変形性腹部CTレジストレーションにおける離散最適化のためのVoxel-Adaptive Message Passing
• Authors: Hang Zhang, Yuxi Zhang, Jiazheng Wang, Xiang Chen, Renjiu Hu, Xin Tian, Gaolei Li, Min Liu,
• Abstract要約: 離散最適化に基づく変形可能な画像登録フレームワークであるVoxelOptを提案する。 学習ベースの長所と反復的手法を組み合わせて、登録精度と実行時のバランスを改善する。 腹部CTの登録では、これらの変更により、VoxelOptは、ラベルの監督によって訓練された最先端の学習ベースの手法と一致しながら、効率と正確性の両方において、リード反復性を上回っている。
• 参考スコア（独自算出の注目度）: 15.78340001680369
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent developments in neural networks have improved deformable image registration (DIR) by amortizing iterative optimization, enabling fast and accurate DIR results. However, learning-based methods often face challenges with limited training data, large deformations, and tend to underperform compared to iterative approaches when label supervision is unavailable. While iterative methods can achieve higher accuracy in such scenarios, they are considerably slower than learning-based methods. To address these limitations, we propose VoxelOpt, a discrete optimization-based DIR framework that combines the strengths of learning-based and iterative methods to achieve a better balance between registration accuracy and runtime. VoxelOpt uses displacement entropy from local cost volumes to measure displacement signal strength at each voxel, which differs from earlier approaches in three key aspects. First, it introduces voxel-wise adaptive message passing, where voxels with lower entropy receives less influence from their neighbors. Second, it employs a multi-level image pyramid with 27-neighbor cost volumes at each level, avoiding exponential complexity growth. Third, it replaces hand-crafted features or contrastive learning with a pretrained foundational segmentation model for feature extraction. In abdominal CT registration, these changes allow VoxelOpt to outperform leading iterative in both efficiency and accuracy, while matching state-of-the-art learning-based methods trained with label supervision. The source code will be available at https://github.com/tinymilky/VoxelOpt
• Abstract（参考訳）: ニューラルネットワークの最近の進歩は、反復最適化を補正することで、変形可能な画像登録(DIR)を改善し、高速で正確なDIR結果を可能にしている。 しかし、学習に基づく手法は、限られた訓練データ、大きな変形を伴う課題に直面し、ラベル管理が不可能な場合の反復的なアプローチに比べて性能が劣る傾向にある。 このようなシナリオでは反復的手法は高い精度を達成できるが、学習ベースの手法よりもかなり遅い。 これらの制約に対処するため,VoxelOptを提案する。これは離散最適化に基づくDIRフレームワークで,学習に基づく手法と反復的手法の長所を組み合わせ,登録精度と実行時のバランスを改善する。 VoxelOptは、各ボクセルにおける変位信号強度を測定するために、局所的なコストボリュームからの変位エントロピーを使用する。 まず、ボクセルに適応したメッセージパッシングを導入し、低エントロピーのボクセルは隣人の影響を受けない。 第2に、各レベルに27隣のコストボリュームを持つマルチレベルイメージピラミッドを採用し、指数複雑性の増大を回避する。 第3に、手作りの特徴や対照的な学習を、特徴抽出のための事前訓練された基本セグメンテーションモデルに置き換える。 腹部CTの登録では、これらの変更により、VoxelOptは、ラベルの監督によって訓練された最先端の学習ベースの手法と一致しながら、効率と正確性の両方において、リード反復性を上回っている。 ソースコードはhttps://github.com/tinymilky/VoxelOptで入手できる。

関連論文リスト

• A Stable Whitening Optimizer for Efficient Neural Network Training [101.89246340672246]
  アルゴリズムのシャンプー系をベースとして,3つの重要な問題を同定・緩和し,SPlus法を提案する。 まず,行列逆が長期にわたってキャッシュされる場合,素早いシャンプーは分岐しがちであることがわかった。 第二に、ネットワーク幅をまたいで学習率の伝達を可能にするために、形状認識スケーリングを適用する。 第3に,高い学習率によってパラメータノイズが大きくなり,より高速な学習をブロックする簡単な反復学習方式を提案する。
  論文  参考訳（メタデータ） (2025-06-08T18:43:31Z)
• Leveraging Stochastic Depth Training for Adaptive Inference [1.996143466020199]
  本稿では,ゼロオーバーヘッド,単一モデル,時間予測可能な推論を用いた適応推論の簡易かつ効果的な代替手法を提案する。 従来のResNetと比較して、精度0.71%の低下で最大2倍の効率向上を実現した。
  論文  参考訳（メタデータ） (2025-05-23T08:36:56Z)
• Flow-GRPO: Training Flow Matching Models via Online RL [75.70017261794422]
  本稿では,オンライン強化学習(RL)をフローマッチングモデルに統合する最初の方法であるFlow-GRPOを提案する。 提案手法では, 1 つの主要な戦略を用いる:(1) 決定論的正規方程式 (ODE) を, 1 つの時点における原モデルの限界分布に一致する等価な微分方程式 (SDE) に変換するODE-to-SDE 変換と、(2) 元の推論タイムステップ数を保ちながらトレーニングの段階を減らし,
  論文  参考訳（メタデータ） (2025-05-08T17:58:45Z)
• Gaussian Primitives for Deformable Image Registration [9.184092856125067]
  脳MRI、肺CT、心臓MRIのデータセットの実験結果から、GaussianDIRは既存のDIR法よりも精度と効率が優れていることが示されている。 トレーニングなしのアプローチとして、反復的手法は本質的に遅く、一般化不足の限界を超越しているというステレオタイプに挑戦する。
  論文  参考訳（メタデータ） (2024-06-05T15:44:54Z)
• Highway Graph to Accelerate Reinforcement Learning [18.849312069946993]
  強化学習アルゴリズムは訓練効率の低下に苦慮することが多い。 状態遷移をモデル化するためのハイウェイグラフを導入する。 提案手法は,既存のRLアルゴリズムよりもはるかに高速に学習する。
  論文  参考訳（メタデータ） (2024-05-20T02:09:07Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• Faster Adaptive Federated Learning [84.38913517122619]
  フェデレートラーニングは分散データの出現に伴って注目を集めている。 本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
  論文  参考訳（メタデータ） (2022-12-02T05:07:50Z)
• Improving Point Cloud Based Place Recognition with Ranking-based Loss and Large Batch Training [1.116812194101501]
  本稿では,識別可能な3Dポイントクラウド記述子を計算するための,シンプルで効果的な学習手法を提案する。 本稿では,画像検索における最近の進歩を取り入れ,異なる平均精度近似に基づく損失関数の修正版を提案する。
  論文  参考訳（メタデータ） (2022-03-02T09:29:28Z)

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。