메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
Antoinette D. Martin (한국과학기술원) 김보아 (한국과학기술원) 예종철 (한국과학기술원)
저널정보
대한자기공명의과학회 Investigative Magnetic Resonance Imaging Investigative Magnetic Resonance Imaging 제24권 제4호
발행연도
2020.1
수록면
223 - 231 (9page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
Purpose: Image registration is a fundamental task in various medical imaging studies and clinical image analyses, such as comparison of patient data with anatomical structures. In order to solve the problems of conventional image registration approaches, such as long computational time, recent deep-learning supervised and unsupervised methods have been extensively studied because of their excellent performance and fast computational time. In this study, we propose a deep-learningbased network for deformable medical image registration using unsupervised learning. Materials and Methods: In this paper, we solve the image-registration optimization problem by modelling a function using a convolutional neural network with polyphase decomposition to learn the spatial transformable parameters based on the input images and to generate the registration field. A spatial transformer is used to reconstruct the output warped image while imposing smoothness constraints on the registration field. With polyphase decomposition, our proposed method learns more features based on the input image pairs without the need for any ground-truth registration field. Results: Experimental results using 3D T1 brain MRI volume scans and compared with state-of-the-art image-registration methods demonstrated that our method provides better 3D-image registration. Conclusion: Our proposed method uses less computational time in registering unseen pairs of input images during inference and can be applied for other unimodal image registration tasks, and the hyper-parameters can be adjusted for the specific task.
#Polyphase decomposition #Unsupervised learning #Medical image registration

목차

등록된 정보가 없습니다.

참고문헌 (28)

참고문헌 신청
Boveiri HR / 2002 / Medical image registration using deep neural networks: a comprehensive review / ArXiv 2002.03401 :1~45 google schola Haskins G / 2020 / Deep learning in medical image registration : a survey / Mach Vision Appl 31:8 google schola Wu G / 2013 / Unsupervised deep feature learning for deformable registration of MR brain images / Med Image Comput Comput Assist Interv 16:649~656 google schola Ghosal S / 2017 / Deep deformable registration : enhancing accuracy by fully convolutional neural net / Pattern Recognit Lett 94:81~86 google schola Blendowski M / 2018 / 3D-CNNs for deep binary descriptor learning in medical volume data / Informatik Aktuell :23~28 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0