論文の概要: An Accessible Solution for Deformable Image Registration Compared with Learning-Based Approaches
- arxiv url: http://arxiv.org/abs/2608.02248v1
- Date: Mon, 03 Aug 2026 13:58:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.585135
- Title: An Accessible Solution for Deformable Image Registration Compared with Learning-Based Approaches
- Title（参考訳）: 変形可能な画像登録のためのアクセシブル・ソリューション : 学習に基づくアプローチとの比較
- Abstract要約: 解析手法は、共通の変形可能な登録タスクにおいて、深い学習に競争力と優れた結果をもたらすことができることを示す。
Lung250M-4Bの実験結果から,提案手法による評価結果が得られた。
- 参考スコア（独自算出の注目度）: 1.5229705287183657
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deformable image registration (DIR) is a core problem in medical image analysis; but, unlike labeling decision problems such as classification and segmentation, registration is a problem class that involves stringent physical constraints. Although deep learning methods have made faster registration possible, the resulting models are often difficult to interpret compared to hand-crafted methods with explicit objectives and interpretable physical meaning. In this work, we show that an analytical method can still yield competitive and superior results to deep learning in a common deformable registration task. We study pTVreg as a parametric total variation based registration in that context. Observing its different implementations to perform at various degrees, we introduce here an accessible implementation of this method, together with a Bayesian optimization framework that automatically sets self-parameters for any DIR task from a set of sample examples. Experiments on Lung250M-4B show that our proposed implementation achieves state-of-the-art results in this benchmark, substantially superior to existing deep learning solutions and other pTVreg variants as baselines. The source code will be made publicly available at https://github.com/oazeybekoglu/ptvreg-python .
- Abstract（参考訳）: 変形可能な画像登録(DIR)は、医用画像解析における中核的な問題であるが、分類やセグメンテーションなどのラベル付け決定問題とは異なり、登録は厳密な物理的制約を伴う問題クラスである。
深層学習の手法は、より高速な登録が可能になったが、結果として得られるモデルは、明示的な目的と解釈可能な物理的意味を持つ手作りの手法に比べて解釈が難しいことが多い。
本研究は, 共通の変形可能な登録タスクにおいて, 解析手法が深層学習に競争力と優れた結果をもたらすことを示すものである。
我々は,pTVregを,その文脈におけるパラメトリック全変動に基づく登録として検討した。
そこで本研究では,DIRタスクの自己パラメータを自動的に設定するベイズ最適化フレームワークとともに,その実装を様々なレベルで実施するために,この手法を適用可能な実装として紹介する。
Lung250M-4Bを用いた実験により,提案手法は,既存のディープラーニングソリューションと他のpTVreg変種をベースラインとして大幅に優れていることを示す。
ソースコードはhttps://github.com/oazeybekoglu/ptvreg-pythonで公開されます。
関連論文リスト
- MsMorph: An Unsupervised pyramid learning network for brain image registration [4.000367245594772]
MsMorphは、イメージペアを登録する手動プロセスの模倣を目的とした、イメージ登録フレームワークである。
異なるスケールで意味情報をデコードし、予測された変形場に対して連続的に合成する。
提案手法は,画像ペアとその近傍の異なる領域に着目し,手動による登録手法をシミュレートする。
論文 参考訳（メタデータ） (2024-10-23T19:20:57Z) - Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple
Logits Retargeting Approach [102.0769560460338]
我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。
提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2024-03-01T03:27:08Z) - Active Learning Principles for In-Context Learning with Large Language
Models [65.09970281795769]
本稿では,アクティブ・ラーニング・アルゴリズムが,文脈内学習における効果的な実演選択手法としてどのように機能するかを検討する。
ALによる文脈内サンプル選択は,不確実性の低い高品質な事例を優先し,試験例と類似性を有することを示す。
論文 参考訳（メタデータ） (2023-05-23T17:16:04Z) - A Robust and Interpretable Deep Learning Framework for Multi-modal
Registration via Keypoints [10.913822141584795]
ディープラーニングベースの画像登録フレームワークであるKeyMorphを紹介する。
KeyMorphは対応するキーポイントを自動的に検出する。
我々は現在の最先端手法を超越した登録精度を示す。
論文 参考訳（メタデータ） (2023-04-19T19:35:25Z) - Learning Context-aware Classifier for Semantic Segmentation [88.88198210948426]
本稿では,文脈認識型分類器の学習を通じて文脈ヒントを利用する。
本手法はモデルに依存しないため,ジェネリックセグメンテーションモデルにも容易に適用できる。
無視できる追加パラメータと+2%の推論時間だけで、小型モデルと大型モデルの両方で十分な性能向上が達成されている。
論文 参考訳（メタデータ） (2023-03-21T07:00:35Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳（メタデータ） (2022-07-01T12:16:42Z) - An Empirical Comparison of Instance Attribution Methods for NLP [62.63504976810927]
本研究は,トレーニングサンプルの重要性に関して,異なるインスタンス属性が一致した度合いを評価する。
単純な検索メソッドは、グラデーションベースの方法によって識別されたものと異なるトレーニングインスタンスを生成する。
論文 参考訳（メタデータ） (2021-04-09T01:03:17Z) - Graph Sampling Based Deep Metric Learning for Generalizable Person
Re-Identification [114.56752624945142]
我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。
大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
論文 参考訳（メタデータ） (2021-04-04T06:44:15Z) - Deep learning based registration using spatial gradients and noisy
segmentation labels [52.78503776563559]
ディープラーニングベースのアプローチは、高速かつ実行可能な登録戦略を提供することで、非常に人気を博しました。
我々の研究は(i)対称な定式化に依存し、ソースからターゲットへの変換とターゲットからソースへの変換を同時に予測し、訓練された表現を類似させる。
本手法では,タスク3では0.64ドル,テスト4では0.85ドルの平均ダイスを報告し,3位となった。
論文 参考訳（メタデータ） (2020-10-21T11:08:45Z) - Flexible Bayesian Modelling for Nonlinear Image Registration [0.3914676152740142]
本稿では,画像群を共通空間に正確に整列させることができる微分型登録アルゴリズムについて述べる。
その考え方は、形状と外観のばらつきを考慮に入れた確率的グラフィカルモデルで推論を行うことである。
モデルは3次元ヒト脳スキャンのオブジェクト間登録において評価される。
論文 参考訳（メタデータ） (2020-06-03T15:33:14Z) - Deform-GAN:An Unsupervised Learning Model for Deformable Registration [4.030402376540977]
本稿では,教師なし学習を利用した3次元医用画像の非剛性登録手法を提案する。
提案した勾配損失は、大きな変形のためのシーケンスやモーダルにわたって頑健である。
トレーニング中は、接地や手動のラベリングは必要とされない。
論文 参考訳（メタデータ） (2020-02-26T12:20:46Z)
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。