論文の概要: Biomechanical Constraints Assimilation in Deep-Learning Image Registration: Application to sliding and locally rigid deformations
- arxiv url: http://arxiv.org/abs/2504.05444v1
- Date: Mon, 07 Apr 2025 19:12:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-09 13:30:09.494996
- Title: Biomechanical Constraints Assimilation in Deep-Learning Image Registration: Application to sliding and locally rigid deformations
- Title（参考訳）: 深層学習画像登録における生体力学的制約の同化:スライディングおよび局所剛性変形への応用
- Authors: Ziad Kheil, Soleakhena Ken, Laurent Risser,
- Abstract要約: そこで本研究では, 生体力学的特性に局所的に適応できる, 学習に基づく画像登録手法を提案する。
提案手法により,入力画像から直接組織特異的な変形パターンを推測し,機械的に可塑性運動を確実にすることができる。
- 参考スコア（独自算出の注目度）: 0.7482855795615639
- License:
- Abstract: Regularization strategies in medical image registration often take a one-size-fits-all approach by imposing uniform constraints across the entire image domain. Yet biological structures are anything but regular. Lacking structural awareness, these strategies may fail to consider a panoply of spatially inhomogeneous deformation properties, which would faithfully account for the biomechanics of soft and hard tissues, especially in poorly contrasted structures. To bridge this gap, we propose a learning-based image registration approach in which the inferred deformation properties can locally adapt themselves to trained biomechanical characteristics. Specifically, we first enforce in the training process local rigid displacements, shearing motions or pseudo-elastic deformations using regularization losses inspired from the field of solid-mechanics. We then show on synthetic and real 3D thoracic and abdominal images that these mechanical properties of different nature are well generalized when inferring the deformations between new image pairs. Our approach enables neural-networks to infer tissue-specific deformation patterns directly from input images, ensuring mechanically plausible motion. These networks preserve rigidity within hard tissues while allowing controlled sliding in regions where tissues naturally separate, more faithfully capturing physiological motion. The code is publicly available at https://github.com/Kheil-Z/biomechanical_DLIR .
- Abstract（参考訳）: 医用画像登録における正規化戦略は、画像領域全体にわたる一様制約を課すことによって、一様に適合するアプローチをとることが多い。
しかし、生物学的構造はごく普通のものだ。
構造的認識の欠如により、これらの戦略は空間的不均一な変形特性のパノピーを考えることができず、軟組織と硬組織の生体力学を忠実に説明できる。
このギャップを埋めるために,推定変形特性を訓練された生体力学特性に局所的に適応させる学習ベース画像登録手法を提案する。
具体的には, 局所的な剛性変位, せん断運動, あるいは擬弾性変形を, ソリッド・メカニクスの場から着想を得た正規化損失を用いて訓練する。
次に, 合成および実3次元胸部, 腹部画像において, 新しい画像対間の変形を推定する際に, 異なる性質の機械的特性が十分に一般化されていることを示す。
提案手法により,入力画像から直接組織特異的な変形パターンを推測し,機械的に可塑性運動を確実にすることができる。
これらのネットワークは硬組織の硬さを保ちながら、組織が自然に分離し、より忠実に生理的な動きを捉える領域で制御された滑りを可能にする。
コードはhttps://github.com/Kheil-Z/biomechanical_DLIR で公開されている。
関連論文リスト
- Progressive Retinal Image Registration via Global and Local Deformable Transformations [49.032894312826244]
我々はHybridRetinaと呼ばれるハイブリッド登録フレームワークを提案する。
キーポイント検出器とGAMorphと呼ばれる変形ネットワークを用いて、大域的な変換と局所的な変形可能な変換を推定する。
FIREとFLoRI21という2つの広く使われているデータセットの実験により、提案したHybridRetinaは最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2024-09-02T08:43:50Z) - Learning Physics-Inspired Regularization for Medical Image Registration
with Hypernetworks [3.776306113984256]
本稿では,物理に着想を得た正規化器の物理パラメータが空間変形場に与える影響を学習するハイパーネットワークを提案する。
我々のアプローチは、テスト時に適切なデータ固有の物理パラメータを効率的に発見することを可能にする。
論文 参考訳（メタデータ） (2023-11-14T15:20:42Z) - Learning Homeomorphic Image Registration via Conformal-Invariant
Hyperelastic Regularisation [9.53064372566798]
共形不変性に基づく変形可能な画像登録のための新しいフレームワークを提案する。
我々の正規化器は、変形場が滑らかで、可逆で、配向保存されるように強制する。
我々は,数値的および視覚的な実験を通じて,我々のフレームワークが現在の画像登録技術より優れていることを実証した。
論文 参考訳（メタデータ） (2023-03-14T17:47:18Z) - Joint segmentation and discontinuity-preserving deformable registration:
Application to cardiac cine-MR images [74.99415008543276]
多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。
本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。
入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。
大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
論文 参考訳（メタデータ） (2022-11-24T23:45:01Z) - Learning correspondences of cardiac motion from images using
biomechanics-informed modeling [7.193217430660012]
予測変位ベクトル場(DVF)上での正則化として, バイオメカニクスを前もって明示的に表現する手法を提案する。
提案手法は,視覚的評価による生体力学的特性の保存性を向上し,定量的評価指標を用いたセグメンテーション性能の優位性を示す。
論文 参考訳（メタデータ） (2022-09-01T20:59:26Z) - A Deep Discontinuity-Preserving Image Registration Network [73.03885837923599]
ほとんどの深層学習に基づく登録法は、所望の変形場が全世界的に滑らかで連続的であると仮定する。
本稿では、より優れた登録性能とリアルな変形場を得るために、弱い教師付き深部不連続保存画像登録ネットワーク(DDIR)を提案する。
本研究では, 心臓磁気共鳴(MR)画像の登録実験において, 登録精度を大幅に向上し, より現実的な変形を予測できることを実証した。
論文 参考訳（メタデータ） (2021-07-09T13:35:59Z) - Non-contact Pain Recognition from Video Sequences with Remote
Physiological Measurements Prediction [53.03469655641418]
痛み認識のための非接触方式で外観変化と生理的手がかりの両方を符号化する新しいマルチタスク学習フレームワークを提案する。
我々は、一般に利用可能な痛みデータベース上で、非接触痛認識の最先端性能を確立する。
論文 参考訳（メタデータ） (2021-05-18T20:47:45Z) - CS2-Net: Deep Learning Segmentation of Curvilinear Structures in Medical
Imaging [90.78899127463445]
カービリニア構造のセグメンテーションのための汎用的で統一的な畳み込みニューラルネットワークを提案する。
エンコーダとデコーダに自己アテンション機構を含む新しいカービリニア構造分割ネットワーク(CS2-Net)を導入する。
論文 参考訳（メタデータ） (2020-10-15T03:06:37Z) - Biomechanics-informed Neural Networks for Myocardial Motion Tracking in
MRI [15.686391154738006]
本稿では,バイオメカニクスによる正規化を暗黙的に学習する手法を提案する。
心臓MRIデータの2次元スタック上での心筋運動追跡の文脈において,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2020-06-08T16:29:13Z) - An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。
本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。
現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
論文 参考訳（メタデータ） (2020-05-19T06:00:13Z) - DAN: A Deformation-Aware Network for Consecutive Biomedical Image
Interpolation [10.856845408856588]
本稿では,生体組織の連続性に応じて各画素を合成する変形認識ネットワークを提案する。
本稿では,ぼやけやノイズといった連続的な生体画像のスタイル差を考慮に入れ,適応的なスタイルバランスの損失を考慮に入れた。
変形認識モジュールを用いて,グローバル領域から各画素を適応的に合成し,さらに画素合成性能を向上させる。
論文 参考訳（メタデータ） (2020-04-23T11:14:44Z)
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。