論文の概要: Implicit Deformable Medical Image Registration with Learnable Kernels

• arxiv url: http://arxiv.org/abs/2506.02150v1
• Date: Mon, 02 Jun 2025 18:27:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.363052
• Title: Implicit Deformable Medical Image Registration with Learnable Kernels
• Title（参考訳）: 学習型カーネルを用いた暗示的変形型医用画像登録
• Authors: Stefano Fogarollo, Gregor Laimer, Reto Bale, Matthias Harders,
• Abstract要約: 変形可能な医用画像登録は、コンピュータ支援の介入において必須の課題である。 最近のAI手法は、精度とスピードで従来の技術より優れている。 正確かつ信頼性の高い変形を予測できる新しい暗黙の登録フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 0.6749750044497731
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deformable medical image registration is an essential task in computer-assisted interventions. This problem is particularly relevant to oncological treatments, where precise image alignment is necessary for tracking tumor growth, assessing treatment response, and ensuring accurate delivery of therapies. Recent AI methods can outperform traditional techniques in accuracy and speed, yet they often produce unreliable deformations that limit their clinical adoption. In this work, we address this challenge and introduce a novel implicit registration framework that can predict accurate and reliable deformations. Our insight is to reformulate image registration as a signal reconstruction problem: we learn a kernel function that can recover the dense displacement field from sparse keypoint correspondences. We integrate our method in a novel hierarchical architecture, and estimate the displacement field in a coarse-to-fine manner. Our formulation also allows for efficient refinement at test time, permitting clinicians to easily adjust registrations when needed. We validate our method on challenging intra-patient thoracic and abdominal zero-shot registration tasks, using public and internal datasets from the local University Hospital. Our method not only shows competitive accuracy to state-of-the-art approaches, but also bridges the generalization gap between implicit and explicit registration techniques. In particular, our method generates deformations that better preserve anatomical relationships and matches the performance of specialized commercial systems, underscoring its potential for clinical adoption.
• Abstract（参考訳）: 変形可能な医用画像登録は、コンピュータ支援の介入において必須の課題である。 この問題は、腫瘍の成長を追跡し、治療反応を評価し、治療の正確なデリバリを保証するために、正確な画像アライメントが必要であるという、腫瘍学的治療に特に関係している。 最近のAI手法は、精度とスピードで従来の技術より優れているが、しばしば臨床応用を制限する信頼性の低い変形を生み出す。 本研究では,この課題に対処し,正確かつ信頼性の高い変形を予測できる新しい暗黙の登録フレームワークを導入する。 我々の洞察は、信号再構成問題として画像登録を再構築することであり、スパースキーポイント対応から高密度な変位場を復元できるカーネル関数を学習する。 提案手法を新しい階層型アーキテクチャに統合し,粗大な方法で変位場を推定する。 我々の定式化は、検査時に効率よく改善できるので、臨床医は必要に応じて簡単に登録を調整できる。 当科における胸腔内・腹腔内ゼロショット登録の課題について,当院の公開・内部データセットを用いて検討した。 提案手法は,最先端手法と競合する精度を示すだけでなく,暗黙的および明示的な登録手法の一般化ギャップを埋めるものである。 特に, 本手法は, 解剖学的関係をよりよく保存し, 専門的な商業システムの性能に適合する変形を生じさせ, 臨床応用の可能性を強調している。

関連論文リスト

• 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)
• From Model Based to Learned Regularization in Medical Image Registration: A Comprehensive Review [10.985967613049269]
  規則化は、解を解剖学的に意味のある変形へと導く上で重要な要素である。 既存のメソッドが十分であるとして、規則化はしばしば見過ごされるか、デフォルトのアプローチで対処される。 本総説では,多種多様な正規化手法を体系的に分類する新たな分類法を紹介する。
  論文  参考訳（メタデータ） (2024-12-20T10:00:36Z)
• 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)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• 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)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• 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)
• 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。