Fast feature based multi slice to volume registration using phase congruency
Notice bibliographique
Résumé
Slice to volume registration is very useful in many medical imaging applications, for example, fusing static high resolution three dimensional (3D) image volumes to dynamic two dimensional (2D) slice data for deriving motion information in 3D. Though information theoretic registration methods such as Mutual Information are usually robust, they are time intensive and typically require a high level of field-of-view correspondence between the source and target images. In single slice to volume registration scenarios, where such correspondence is limited, registration accuracy and robustness often deteriorate. In this paper, we present a novel registration method that maintains robustness and accuracy while significantly increasing registration speed. Our approach employs multiple slice (as opposed to single slice) to volume registration, which increases the amount of potential matching information while maintaining a small number of slices and hence facilitates the often necessary high speed dynamic image acquisition. Our proposed registration approach first extracts phase congruency information from the slices/volume using oriented 2D Gabor wavelets. Using local non maximum suppression, we then automatically obtain a robust and accurate set of feature points that are subsequently matched using an Iterative Closest Point (ICP) approach. Validation on BrainWeb simulated magnetic resonance imaging (MRI) data showed significant gains in speed ( approximately 40-fold increase) when compared to conventional Mutual Information based volumetric registration while maintaining comparable robustness and accuracy levels.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».