文献

J-GLOBAL ID：202202213647454245   整理番号：22A0862370

ハイブリッド損失による脳MR画像の変形可能レジストレーション【JST・京大機械翻訳】

Deformable Registration of Brain MR Images via a Hybrid Loss

著者 (4件)： Han Luyi (Department of Radiology and Nuclear Medicine, Radboud University Medical Center, Nijmegen, GA, The Netherlands) ,  Dou Haoran (Centre for Computational Imaging and Simulation Technologies in Biomedicine (CISTIB), University of Leeds, Leeds, UK) ,  Huang Yunzhi (College of Biomedical Engineering, Sichuan University, Chengdu, China) ,  Yap Pew-Thian (Department of Radiology and Biomedical Research Imaging Center (BRIC), University of North Carolina, Chapel Hill, USA)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 13166  ページ： 141-146  発行年： 2022年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 非監督学習戦略は変形場のグランドトルースの欠如のために変形可能登録モデルによって広く採用される。これらのモデルは,通常,学習収束を得るための強度ベースの類似性損失に依存する。成功にもかかわらず,そのような依存性は不十分である。単峰性画像の変形可能なレジストレーションのために,よく整列した2つの画像は,識別できない強度差を持つだけでなく,統計的分布と境界領域にも近い。十分に設計された損失関数が望ましい収束に学習モデルを容易にすることができることを考慮して,著者らは,ハイブリッド損失を通して多重画像特性を統合することによって,T1強調MR画像のための変形可能な登録モデルを学習した。著者らの方法は,変形平滑性を維持しながら,高精度でOASISデータセットを登録する。Copyright Springer Nature Switzerland AG 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *変形 ,  学習 ,  学習モデル ,  損失関数 ,  *脳 ,  画像特性 ,  *レジストレーション【画像】 ,  多重化 ,  モデル ,  類似性 ,  境界領域 ,  *NMRイメージング ,  平滑度
準シソーラス用語： 高精度 ,  グランドトゥルース , 【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)： 損失 ,  脳 ,  MR画像 ,  レジストレーション