論文の概要: GuidedMorph: Two-Stage Deformable Registration for Breast MRI

• arxiv url: http://arxiv.org/abs/2505.13414v1
• Date: Mon, 19 May 2025 17:48:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.787084
• Title: GuidedMorph: Two-Stage Deformable Registration for Breast MRI
• Title（参考訳）: GuidedMorph : 乳房MRIにおける2段階変形性レジストレーション
• Authors: Yaqian Chen, Hanxue Gu, Haoyu Dong, Qihang Li, Yuwen Chen, Nicholas Konz, Lin Li, Maciej A. Mazurowski,
• Abstract要約: そこで我々は,高密度組織との整合性を高めるために,新しい2段階登録フレームワークを提案する。 グローバルな構造アライメントのための単一スケールネットワークに加えて,乳房の動きを追跡するために高密度組織情報を利用するフレームワークを導入する。 ユークリッド距離変換(EDT)に基づく新しいワープ法も提案され、登録された高密度組織と胸部マスクを正確にワープする。
• 参考スコア（独自算出の注目度）: 12.981495592549065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurately registering breast MR images from different time points enables the alignment of anatomical structures and tracking of tumor progression, supporting more effective breast cancer detection, diagnosis, and treatment planning. However, the complexity of dense tissue and its highly non-rigid nature pose challenges for conventional registration methods, which primarily focus on aligning general structures while overlooking intricate internal details. To address this, we propose \textbf{GuidedMorph}, a novel two-stage registration framework designed to better align dense tissue. In addition to a single-scale network for global structure alignment, we introduce a framework that utilizes dense tissue information to track breast movement. The learned transformation fields are fused by introducing the Dual Spatial Transformer Network (DSTN), improving overall alignment accuracy. A novel warping method based on the Euclidean distance transform (EDT) is also proposed to accurately warp the registered dense tissue and breast masks, preserving fine structural details during deformation. The framework supports paradigms that require external segmentation models and with image data only. It also operates effectively with the VoxelMorph and TransMorph backbones, offering a versatile solution for breast registration. We validate our method on ISPY2 and internal dataset, demonstrating superior performance in dense tissue, overall breast alignment, and breast structural similarity index measure (SSIM), with notable improvements by over 13.01% in dense tissue Dice, 3.13% in breast Dice, and 1.21% in breast SSIM compared to the best learning-based baseline.
• Abstract（参考訳）: 乳腺MRI画像の正確な登録は、解剖学的構造の整列と腫瘍進行の追跡を可能にし、より効果的な乳癌の検出、診断、治療計画を支援する。 しかし、高密度組織の複雑さとその非厳密な性質は、内部の複雑な細部を見下ろしながら一般的な構造の整合性に重点を置いている従来の登録法に課題をもたらす。 これを解決するために,高密度組織との整合性向上を目的とした新しい2段階登録フレームワークである‘textbf{GuidedMorph} を提案する。 グローバルな構造アライメントのための単一スケールネットワークに加えて,乳房の動きを追跡するために高密度組織情報を利用するフレームワークを導入する。 学習した変換フィールドは、DSTN(Dual Space Transformer Network)を導入して融合され、全体的なアライメント精度が向上する。 ユークリッド距離変換(EDT)に基づく新しいワープ法も提案され、登録された高密度組織と胸部マスクを正確にワープし、変形時に微細な構造的詳細を保存できる。 このフレームワークは、外部セグメンテーションモデルと画像データのみを必要とするパラダイムをサポートしている。 また、VoxelMorphとTransMorphのバックボーンで効果的に動作し、乳房登録のための汎用的なソリューションを提供する。 本手法をISPY2および内部データセットで検証し,高密度組織,全乳房アライメント,乳房構造類似度指標(SSIM)において優れた性能を示し,高密度組織Diceでは13.01%以上,乳房Diceでは3.13%,乳房SSIMでは1.21%に改善した。

関連論文リスト

• Landmark-Free Preoperative-to-Intraoperative Registration in Laparoscopic Liver Resection [50.388465935739376]
  術前の3Dモデルを術中2Dフレームにオーバーレイすることで肝臓の空間解剖を明瞭に把握し,より高い手術成功率を達成することができる。 既存の登録法は解剖学的ランドマークに大きく依存しており、2つの大きな制限に直面している。 本稿では,効果的な自己教師型学習を生かした,目覚ましくない術前・術中登録フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-21T14:55:57Z)
• Deformable Registration Framework for Augmented Reality-based Surgical Guidance in Head and Neck Tumor Resection [4.434694695912229]
  厚み情報を登録プロセスに組み込んだ新規な変形可能な登録フレームワークを提案する。 舌標本では, 対象登録誤差(TRE)を最大33%改善した。 異なる試料の異なる変形挙動を解析し, 整形変形戦略の必要性を強調した。
  論文  参考訳（メタデータ） (2025-03-11T18:32:14Z)
• Fine-Tuning TransMorph with Gradient Correlation for Anatomical Alignment [0.6359529834975265]
  教師なしディープラーニングは、解剖学的ラベルへの依存を減らすために、脳MRI登録において有望な方法である。 本稿では,Learner2Reg2024 LUMIR問題に対して,コンバージェンス安定性と変形性を改善するために,事前学習したTransMorphモデルの微調整を提案する。
  論文  参考訳（メタデータ） (2024-12-30T09:32:04Z)
• MRI Breast tissue segmentation using nnU-Net for biomechanical modeling [0.07499722271664144]
  乳がんの診断と治療計画の改善には,MRIと2次元マンモグラフィの併用が不可欠である。 本稿では, 生体力学的乳房モデルの2つの側面において拡張することにより, これらの課題に対処する。 我々は, nnU-Net アーキテクチャを用いて, 乳房MRIデータの詳細な6クラスセグメンテーションを行った。 前景全体のセグメンテーションは、2Dと3DのU-Net構成のアンサンブルにより平均Dice係数0.83に達した。
  論文  参考訳（メタデータ） (2024-11-27T22:15:04Z)
• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• SAME++: A Self-supervised Anatomical eMbeddings Enhanced medical image registration framework using stable sampling and regularized transformation [19.683682147655496]
  本研究では,自己監督型解剖学的eMbeddingアルゴリズムを用いて,非教師付き3次元医用画像登録のための高速かつ高精度な手法を提案する。 我々は、画像登録をアフィン変換、粗い変形、深度非パラメトリック変換、インスタンス最適化の4つのステップに分割するアプローチSAM-Enhanced registration (SAME++) を命名した。 完全な登録フレームワークとして、Mate++はDiceスコアの点で、リードメソッドの4.2%$ - 8.2%$を著しく上回っている。
  論文  参考訳（メタデータ） (2023-11-25T10:11:04Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)

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。