論文の概要: Beyond the LUMIR challenge: The pathway to foundational registration models

• arxiv url: http://arxiv.org/abs/2505.24160v1
• Date: Fri, 30 May 2025 03:07:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.742045
• Title: Beyond the LUMIR challenge: The pathway to foundational registration models
• Title（参考訳）: LUMIRの課題を超えて:基礎登録モデルへの道程
• Authors: Junyu Chen, Shuwen Wei, Joel Honkamaa, Pekka Marttinen, Hang Zhang, Min Liu, Yichao Zhou, Zuopeng Tan, Zhuoyuan Wang, Yi Wang, Hongchao Zhou, Shunbo Hu, Yi Zhang, Qian Tao, Lukas Förner, Thomas Wendler, Bailiang Jian, Benedikt Wiestler, Tim Hable, Jin Kim, Dan Ruan, Frederic Madesta, Thilo Sentker, Wiebke Heyer, Lianrui Zuo, Yuwei Dai, Jing Wu, Jerry L. Prince, Harrison Bai, Yong Du, Yihao Liu, Alessa Hering, Reuben Dorent, Lasse Hansen, Mattias P. Heinrich, Aaron Carass,
• Abstract要約: LUMIR(Large-scale Unsupervised Brain MRI Image Registration)は、非教師なし脳MRI登録の評価と進歩を目的とした次世代ベンチマークである。 LUMIRは、ラベルマップなしでトレーニングするための4000以上の前処理されたT1強調脳MRIを提供し、生物学的に妥当な変形モデリングを促進する。 被験者は1,158名、画像ペアは4,000名以上であった。
• 参考スコア（独自算出の注目度）: 25.05315856123745
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image challenges have played a transformative role in advancing the field, catalyzing algorithmic innovation and establishing new performance standards across diverse clinical applications. Image registration, a foundational task in neuroimaging pipelines, has similarly benefited from the Learn2Reg initiative. Building on this foundation, we introduce the Large-scale Unsupervised Brain MRI Image Registration (LUMIR) challenge, a next-generation benchmark designed to assess and advance unsupervised brain MRI registration. Distinct from prior challenges that leveraged anatomical label maps for supervision, LUMIR removes this dependency by providing over 4,000 preprocessed T1-weighted brain MRIs for training without any label maps, encouraging biologically plausible deformation modeling through self-supervision. In addition to evaluating performance on 590 held-out test subjects, LUMIR introduces a rigorous suite of zero-shot generalization tasks, spanning out-of-domain imaging modalities (e.g., FLAIR, T2-weighted, T2*-weighted), disease populations (e.g., Alzheimer's disease), acquisition protocols (e.g., 9.4T MRI), and species (e.g., macaque brains). A total of 1,158 subjects and over 4,000 image pairs were included for evaluation. Performance was assessed using both segmentation-based metrics (Dice coefficient, 95th percentile Hausdorff distance) and landmark-based registration accuracy (target registration error). Across both in-domain and zero-shot tasks, deep learning-based methods consistently achieved state-of-the-art accuracy while producing anatomically plausible deformation fields. The top-performing deep learning-based models demonstrated diffeomorphic properties and inverse consistency, outperforming several leading optimization-based methods, and showing strong robustness to most domain shifts, the exception being a drop in performance on out-of-domain contrasts.
• Abstract（参考訳）: 医療画像の課題は、分野を前進させ、アルゴリズムの革新を触媒し、様々な臨床応用にまたがる新しいパフォーマンス標準を確立する上で、変革的な役割を担っている。 ニューロイメージングパイプラインの基本課題である画像登録もLearn2Regイニシアチブの恩恵を受けている。 この基礎の上に構築された大規模無監督脳MRI画像登録(LUMIR)課題は、非教師なし脳MRI画像登録の評価と進歩を目的とした次世代ベンチマークである。 解剖学的ラベルマップを監督に活用する以前の課題とは違って、LUMIRは4000以上の前処理されたT1強調脳MRIをラベルマップなしでトレーニングするために提供し、自己監督を通じて生物学的に妥当な変形モデリングを促進することで、この依存関係を取り除く。 590のホールドアウトテスト被験者のパフォーマンスの評価に加えて、LUMIRは、ドメイン外の画像モダリティ(例えば、FLAIR、T2-weighted、T2*-weighted)、疾患集団(例えば、アルツハイマー病)、取得プロトコル(eg、9.4T MRI)、種(eg、macaque brains)にまたがる、ゼロショットの一般化タスクの厳密なスイートを導入している。 被験者は1,158名、画像ペアは4,000名以上であった。 セグメンテーションに基づく測定値(Dice coefficient,95th percentile Hausdorff distance)とランドマークベース登録精度(ターゲット登録誤差)の両方を用いて,評価を行った。 ドメイン内タスクとゼロショットタスクの両方において、ディープラーニングベースの手法は、解剖学的に妥当な変形場を生成しながら、常に最先端の精度を達成している。 トップパフォーマンスのディープラーニングベースのモデルは、微分同相特性と逆一貫性を示し、いくつかの主要な最適化ベースの手法を上回り、ほとんどのドメインシフトに対して強い堅牢性を示し、例外はドメイン外コントラストのパフォーマンスの低下であった。

関連論文リスト

• PathVLM-R1: A Reinforcement Learning-Driven Reasoning Model for Pathology Visual-Language Tasks [15.497221591506625]
  病理画像に特化して設計された視覚言語モデルPathVLM-R1を提案する。 我々は,Qwen2.5-VL-7B-インストラクタをベースとして,厳密に設計したポストトレーニング戦略により,病理的タスクのパフォーマンスを向上させた。
  論文  参考訳（メタデータ） (2025-04-12T15:32:16Z)
• Large Scale Supervised Pretraining For Traumatic Brain Injury Segmentation [1.1203032569015594]
  msTBIの病変の分節化は,これらの病変の特徴が多様であることから,大きな課題となる。 AIMS-TBI Challenge 2024は、T1強調MRIデータ用に設計された革新的なセグメンテーションアルゴリズムを進化させることを目的としている。 さまざまな解剖学的および病理学的構造をカバーするデータセットの包括的コレクション上にResenc Lネットワークをトレーニングする。 その後、モデルがmsTBI固有のデータに基づいて微調整され、T1強調MRIスキャンの特性を最適化する。
  論文  参考訳（メタデータ） (2025-04-09T09:52:45Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
  本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。 提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• 3D Inception-Based TransMorph: Pre- and Post-operative Multi-contrast MRI Registration in Brain Tumors [1.2234742322758418]
  InceptionモデルとTransMorphモデルに基づく2段階カスケードネットワークを提案する。 ロス関数は、標準画像類似度測定器、拡散正則化器、および強度依存を克服するために付加されたエッジマップ類似度測定器から構成された。 BraTS-Regチャレンジの最終テストフェーズでは,モデル提出時に6位を獲得しました。
  論文  参考訳（メタデータ） (2022-12-08T22:00:07Z)
• The Brain Tumor Sequence Registration (BraTS-Reg) Challenge: Establishing Correspondence Between Pre-Operative and Follow-up MRI Scans of Diffuse Glioma Patients [31.567542945171834]
  脳腫瘍シーケンス登録(BraTS-Reg)の課題について述べる。 BraTS-Regは、変形可能な登録アルゴリズムのための最初の公開ベンチマーク環境である。 BraTS-Regの目的は、引き続き研究の活発な資源として機能することである。
  論文  参考訳（メタデータ） (2021-12-13T19:25:16Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。