エッジマップを用いたマルチモーダル教師なし脳画像レジストレーション【JST・京大機械翻訳】

Sideri-Lampretsa Vasiliki; Kaissis Georgios; Rueckert Daniel

プレプリント

J-GLOBAL ID：202202202372648674 整理番号：22P0287259

エッジマップを用いたマルチモーダル教師なし脳画像レジストレーション【JST・京大機械翻訳】

Multi-modal unsupervised brain image registration using edge maps

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年02月09日プレプリントサーバーでの情報更新日： 2022年03月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

微分型変形可能マルチモーダル画像レジストレーションは,同じ座標空間に対して異なるモダリティによって獲得された画像をもたらし,同時に,変換のトポロジーと反転性を保存するための困難なタスクである。最近の研究では,従来の反復レジストレーション法よりも計算的に効率的である一方で,競合レジストレーション精度を達成することが示されているので,このタスクに対する深層学習アプローチのレバレッジに焦点を当てた。本研究では,訓練中の画像エッジ,即ち画像エッジの勾配の大きさから来る補助情報から利益を得る,単純だが効果的な教師なし深層学習ベース{emマルチモーダル}画像レジストレーション手法を提案した。これの背後にある直感は,強い勾配を持つ画像位置が,構造制約として作用できる高い情報値の位置である組織の遷移を示すと仮定した。タスクは訓練を動かすためのセグメンテーションマップを用いるのに似ているが,エッジマップは取得しやすく,アノテーションを必要としない。著者らは,マルチモーダル登録を支援すると言われている3つの異なる損失関数を用いて,異なる被験者のマルチモーダル(T1w)磁気共鳴(MR)脳画像を登録する文脈で著者らのアプローチを評価し,すべての場合において,補助情報が実行時間を損なうことなくより良い結果をもたらすことを示す。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

図形・画像処理一般 , パターン認識

, , , , ,

前のページに戻る