multiGradICON: A Foundation Model for Multimodal Medical Image Registration

要約

最新の医療画像登録アプローチは、深いネットワークを使用して変形を予測します。
これらのアプローチは、最先端の（SOTA）登録精度を達成し、一般的に高速です。
ただし、Deep Learning（DL）アプローチは、従来のDeep-Learningベースのアプローチとは対照的に、構造固有です。
最近、ユニバーサルディープ登録アプローチであるUnigradiconが提案されています。
ただし、Unigradiconは単モーダルの画像登録に焦点を当てています。
したがって、この作業では、Universal * Multimodal * Medical Image登録への最初のステップとしてMultigradiconを開発します。
具体的には、1）単モーダル *および *マルチモーダル登録に適したDL登録モデルをトレーニングできることを示します。
2）損失関数のランダム化は、マルチモーダル登録精度を高める可能性があります。
3）マルチモーダルデータでモデルをトレーニングするのは、マルチモーダルの一般化に役立ちます。
当社のコードとMultigradiconモデルは、https：//github.com/uncbiag/unigradiconで入手できます。

要約(オリジナル)

Modern medical image registration approaches predict deformations using deep networks. These approaches achieve state-of-the-art (SOTA) registration accuracy and are generally fast. However, deep learning (DL) approaches are, in contrast to conventional non-deep-learning-based approaches, anatomy-specific. Recently, a universal deep registration approach, uniGradICON, has been proposed. However, uniGradICON focuses on monomodal image registration. In this work, we therefore develop multiGradICON as a first step towards universal *multimodal* medical image registration. Specifically, we show that 1) we can train a DL registration model that is suitable for monomodal *and* multimodal registration; 2) loss function randomization can increase multimodal registration accuracy; and 3) training a model with multimodal data helps multimodal generalization. Our code and the multiGradICON model are available at https://github.com/uncbiag/uniGradICON.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google