論文の概要: UniReg: Foundation Model for Controllable Medical Image Registration
- arxiv url: http://arxiv.org/abs/2503.12868v1
- Date: Mon, 17 Mar 2025 06:55:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-18 12:30:38.100426
- Title: UniReg: Foundation Model for Controllable Medical Image Registration
- Title（参考訳）: UniReg: 管理可能な医用画像登録のための基礎モデル
- Authors: Zi Li, Jianpeng Zhang, Tai Ma, Tony C. W. Mok, Yan-Jie Zhou, Zeli Chen, Xianghua Ye, Le Lu, Dakai Jin,
- Abstract要約: 学習に基づく登録アプローチは、様々な臨床シナリオにおける一般化性に欠ける。
医用画像登録のための対話型基礎モデルである textbfUniReg を提案する。
我々の重要な革新は、条件付き変形場推定によって達成される多様な登録シナリオのための統一されたフレームワークである。
- 参考スコア（独自算出の注目度）: 16.19173225107947
- License:
- Abstract: Learning-based medical image registration has achieved performance parity with conventional methods while demonstrating a substantial advantage in computational efficiency. However, learning-based registration approaches lack generalizability across diverse clinical scenarios, requiring the laborious development of multiple isolated networks for specific registration tasks, e.g., inter-/intra-subject registration or organ-specific alignment. % To overcome this limitation, we propose \textbf{UniReg}, the first interactive foundation model for medical image registration, which combines the precision advantages of task-specific learning methods with the generalization of traditional optimization methods. Our key innovation is a unified framework for diverse registration scenarios, achieved through a conditional deformation field estimation within a unified registration model. This is realized through a dynamic learning paradigm that explicitly encodes: (1) anatomical structure priors, (2) registration type constraints (inter/intra-subject), and (3) instance-specific features, enabling the generation of scenario-optimal deformation fields. % Through comprehensive experiments encompassing $90$ anatomical structures at different body regions, our UniReg model demonstrates comparable performance with contemporary state-of-the-art methodologies while achieving ~50\% reduction in required training iterations relative to the conventional learning-based paradigm. This optimization contributes to a significant reduction in computational resources, such as training time. Code and model will be available.
- Abstract（参考訳）: 学習に基づく医用画像の登録は,従来の手法と同等であり,計算効率の面で大きな優位性を示している。
しかし、学習ベースの登録アプローチは、様々な臨床シナリオにまたがる一般化性に欠けており、特定の登録タスク、例えば、インター/イントラオブジェクト登録、臓器特異的アライメントのための複数の独立したネットワークの開発が困難である。
% この制限を克服するために,従来の最適化手法の一般化とタスク固有の学習手法の精度の利点を組み合わせた,医用画像登録のための最初の対話的基礎モデルである「textbf{UniReg}」を提案する。
我々の重要な革新は、多様な登録シナリオのための統一されたフレームワークであり、統一された登録モデル内で条件付き変形場推定によって達成される。
これは、(1)解剖学的構造先行、(2)登録型制約(inter/intra-subject)、(3)インスタンス固有の特徴を明示的に符号化し、シナリオ・最適変形場の生成を可能にする動的学習パラダイムによって実現される。
% 異なる身体領域における90ドルの解剖学的構造を含む包括的実験を通じて,我々のUniRegモデルは,従来の学習パラダイムと比較して,必要なトレーニングイテレーションの約50倍の削減を実現しつつ,現代の最先端手法と同等の性能を示す。
この最適化は、トレーニング時間などの計算資源の大幅な削減に寄与する。
コードとモデルは利用可能だ。
関連論文リスト
- Medical Image Registration Meets Vision Foundation Model: Prototype Learning and Contour Awareness [11.671950446844356]
既存の変形可能な登録法は強度に基づく類似度測定のみに依存しており、明確な解剖学的知識が欠如している。
本稿では,プロトタイプ学習と輪郭認識を取り入れた新しいSAM支援登録フレームワークを提案する。
私たちのフレームワークは、既存のメソッドを複数のデータセットで大幅に上回っています。
論文 参考訳（メタデータ） (2025-02-17T04:54:47Z) - Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。
トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。
最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
論文 参考訳（メタデータ） (2024-12-20T17:33:35Z) - uniGradICON: A Foundation Model for Medical Image Registration [17.23463407622614]
登録のための基盤モデルに向けた第一歩として,uniGradICONを提案する。
12種類の公開データセットでUniGradICONを広範囲にトレーニングし,評価した。
論文 参考訳（メタデータ） (2024-03-09T03:26:35Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - DISA: DIfferentiable Similarity Approximation for Universal Multimodal
Registration [39.44133108254786]
表現力のあるクロスモーダル記述子を作成するための汎用フレームワークを提案する。
私たちは、小さな畳み込みニューラルネットワークの特徴空間において、既存のメトリクスをドット積で近似することで、これを実現する。
本手法は局所的なパッチベースの指標よりも数桁高速であり,臨床現場で直接適用することができる。
論文 参考訳（メタデータ） (2023-07-19T12:12:17Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳（メタデータ） (2022-07-01T12:16:42Z) - Automated Learning for Deformable Medical Image Registration by Jointly
Optimizing Network Architectures and Objective Functions [69.6849409155959]
本稿では、アーキテクチャとそれに対応する学習目標の両方を協調的に最適化する自動学習登録アルゴリズム(AutoReg)を提案する。
マルチサイトボリュームデータセットと各種登録タスクについて,画像登録実験を行った。
我々のAutoRegは、与えられたボリュームに対して最適な深層登録ネットワークを自動的に学習し、最先端の性能を達成することができる。
論文 参考訳（メタデータ） (2022-03-14T01:54:38Z) - Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。
ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。
マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文 参考訳（メタデータ） (2020-12-29T23:43:16Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z) - Learning Deformable Registration of Medical Images with Anatomical
Constraints [4.397224870979238]
医用画像解析の分野では、変形可能な画像登録が根本的な問題である。
我々は,画像解剖学のグローバルな非線形表現をセグメンテーションマスクを用いて学習し,それらを用いて登録プロセスの制約を行う。
実験により,提案した解剖学的制約付き登録モデルにより,最先端の手法よりも現実的で正確な結果が得られることが示された。
論文 参考訳（メタデータ） (2020-01-20T17:44:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。