文献

J-GLOBAL ID：201902233378266998   整理番号：19A1933105

VoxelMorph:変形可能な医用画像レジストレーションのための学習フレームワーク【JST・京大機械翻訳】

VoxelMorph: A Learning Framework for Deformable Medical Image Registration

著者 (5件)： Balakrishnan Guha (Computer Science and Artificial Intelligence Lab, MIT, Cambridge, MA, USA) ,  Zhao Amy (Computer Science and Artificial Intelligence Lab, MIT, Cambridge, MA, USA) ,  Sabuncu Mert R. (School of Electrical and Computer Engineering, Cornell University, Ithaca, NY, USA) ,  Guttag John (Computer Science and Artificial Intelligence Lab, MIT, Cambridge, MA, USA) ,  Dalca Adrian V. (Computer Science and Artificial Intelligence Lab, MIT, Cambridge, MA, USA)
資料名： IEEE Transactions on Medical Imaging  (IEEE Transactions on Medical Imaging)
巻： 38  号： 8  ページ： 1788-1800  発行年： 2019年 
JST資料番号： H0895A  ISSN： 0278-0062  CODEN： ITMID4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 変形可能なペアワイズ医用画像登録のための高速学習ベースのフレームワークであるVoxelMorphを提案した。従来のレジストレーション法は,画像の各ペアに対する目的関数を最適化し,それは大規模データセットまたは豊富な変形モデルに対して時間がかかる。このアプローチと最近の学習ベースの方法に関する構築とは対照的に,これらの画像をアラインメントする変形場に入力画像対を写像する関数としてレジストレーションを定式化した。畳込みニューラルネットワークを介して関数をパラメータ化し,画像集合上のニューラルネットワークのパラメータを最適化した。新しい対の走査を与えると,VoxelMorphは,関数を直接評価することにより,変形場を急速に計算する。本論文では,2つの異なる訓練戦略を調査した。最初の(教師なし)設定において,画像強度に基づく標準画像マッチング目的関数を最大化するモデルを訓練した。第二の設定では,訓練データに利用可能な補助セグメンテーションを活用した。教師なしモデルの精度は最先端の方法に匹敵し,一方,操作の大きさはより速くなることを実証した。また,補助データにより訓練されたVoxelMorphがテスト時間における登録精度を改善し,登録に及ぼす訓練集合サイズの影響を評価することを示した。著者らの方法は,学習ベースの登録とその応用における新しい方向を容易にしながら,医用画像分析と処理パイプラインを高速化することを約束する。このコードはhttps://github.com/voxelmorph/voxelmorphで自由に利用できる。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *医用画像 ,  *画像 ,  最適化 ,  アラインメント ,  高速化 ,  *学習 ,  目的関数 ,  セグメンテーション ,  高速度 ,  モデル ,  パラメタリゼーション ,  ニューラルネットワーク ,  定式化
準シソーラス用語： 畳込みニューラルネットワーク ,  大規模データセット , 【Automatic Indexing@JST】

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (4件)： 医用画像 ,  レジストレーション ,  学習 ,  フレームワーク