論文の概要: Deformable Medical Image Registration with Effective Anatomical Structure Representation and Divide-and-Conquer Network

• arxiv url: http://arxiv.org/abs/2506.19222v1
• Date: Tue, 24 Jun 2025 01:11:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.428284
• Title: Deformable Medical Image Registration with Effective Anatomical Structure Representation and Divide-and-Conquer Network
• Title（参考訳）: 解剖学的構造表現と分枝コンカレントネットワークを用いた変形可能な医用画像登録
• Authors: Xinke Ma, Yongsheng Pan, Qingjie Zeng, Mengkang Lu, Bolysbek Murat Yerzhanuly, Bazargul Matkerim, Yong Xia,
• Abstract要約: EASR-DCNという新しいROIベースの登録手法を提案する。 本手法は,有効なROIによる医用画像を表現するとともに,ラベルを必要とせず,これらのROIの独立的なアライメントを実現する。
• 参考スコア（独自算出の注目度）: 7.863948834044364
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective representation of Regions of Interest (ROI) and independent alignment of these ROIs can significantly enhance the performance of deformable medical image registration (DMIR). However, current learning-based DMIR methods have limitations. Unsupervised techniques disregard ROI representation and proceed directly with aligning pairs of images, while weakly-supervised methods heavily depend on label constraints to facilitate registration. To address these issues, we introduce a novel ROI-based registration approach named EASR-DCN. Our method represents medical images through effective ROIs and achieves independent alignment of these ROIs without requiring labels. Specifically, we first used a Gaussian mixture model for intensity analysis to represent images using multiple effective ROIs with distinct intensities. Furthermore, we propose a novel Divide-and-Conquer Network (DCN) to process these ROIs through separate channels to learn feature alignments for each ROI. The resultant correspondences are seamlessly integrated to generate a comprehensive displacement vector field. Extensive experiments were performed on three MRI and one CT datasets to showcase the superior accuracy and deformation reduction efficacy of our EASR-DCN. Compared to VoxelMorph, our EASR-DCN achieved improvements of 10.31\% in the Dice score for brain MRI, 13.01\% for cardiac MRI, and 5.75\% for hippocampus MRI, highlighting its promising potential for clinical applications. The code for this work will be released upon acceptance of the paper.
• Abstract（参考訳）: 興味領域(ROI)の効果的な表現とこれらのROIの独立的なアライメントは、変形可能な医用画像登録(DMIR)の性能を大幅に向上させる。 しかし、現在の学習に基づくDMIR法には限界がある。 教師なしの手法はROI表現を無視し、一対の画像を整列させて直接進行するが、弱い教師なしの手法は登録を容易にするためにラベル制約に大きく依存する。 これらの課題に対処するために,EASR-DCNという新しいROIベースの登録手法を導入する。 本手法は,有効なROIによる医用画像を表現するとともに,ラベルを必要とせず,これらのROIの独立的なアライメントを実現する。 具体的には、まずガウス混合モデルを用いて、異なる強度を持つ複数の有効ROIを用いて画像を表現する。 さらに,これらのROIを個別のチャネルで処理し,各ROIの特徴的アライメントを学習するための新しいDivide-and-Conquer Network (DCN)を提案する。 結果の対応はシームレスに統合され、包括的な変位ベクトル場を生成する。 EASR-DCNの精度と変形低減効果を示すために,3つのMRIと1つのCTデータセットを用いて広範囲な実験を行った。 VoxelMorphと比較すると,脳MRIではDiceスコアが10.31\%,心筋MRIでは13.01\%,海馬MRIでは5.75\%と改善し,臨床応用の可能性を強調した。 この作業のコードは、論文の受理時に公開される。

関連論文リスト

• A Steerable Deep Network for Model-Free Diffusion MRI Registration [4.813333335683418]
  原拡散MRIデータの非厳密な登録のための新しい深層学習フレームワークを提案する。 この研究は、データ駆動型幾何対応のdMRI登録の基盤を、取得空間で直接確立する。
  論文  参考訳（メタデータ） (2025-01-08T19:18:44Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Multi-Objective Learning for Deformable Image Registration [0.0]
  変形可能な画像登録(DIR)は、複数の矛盾する目的を最適化する。 本稿では、最近提案されたニューラルネットワークのMOトレーニング手法と、DIRのためのよく知られたディープニューラルネットワークを組み合わせる。 骨盤核磁気共鳴画像(MRI)のDIR法について検討した。
  論文  参考訳（メタデータ） (2024-02-23T15:42:13Z)
• Explainable unsupervised multi-modal image registration using deep networks [2.197364252030876]
  MRI画像登録は、異なるモダリティ、時間点、スライスから幾何学的に「ペア」診断することを目的としている。 本研究では,我々のDLモデルが完全に説明可能であることを示し,さらなる医用画像データへのアプローチを一般化するための枠組みを構築した。
  論文  参考訳（メタデータ） (2023-08-03T19:13:48Z)
• Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
  本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。 これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
  論文  参考訳（メタデータ） (2023-02-05T02:41:46Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• 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)
• F3RNet: Full-Resolution Residual Registration Network for Deformable Image Registration [21.99118499516863]
  変形性画像登録(DIR)は多くの画像誘導療法に必須である。 我々は、新しい教師なし登録ネットワーク、すなわちF3RNet(Full-Resolution Residual Registration Network)を提案する。 1つのストリームは、正確なボクセルレベルの登録を容易にするフルレゾリューション情報を利用する。 他方のストリームは、深いマルチスケールの残差表現を学習し、ロバストな認識を得る。
  論文  参考訳（メタデータ） (2020-09-15T15:05:54Z)

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。