論文の概要: ZeroReg3D: A Zero-shot Registration Pipeline for 3D Consecutive Histopathology Image Reconstruction

• arxiv url: http://arxiv.org/abs/2506.21923v1
• Date: Fri, 27 Jun 2025 05:31:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.098352
• Title: ZeroReg3D: A Zero-shot Registration Pipeline for 3D Consecutive Histopathology Image Reconstruction
• Title（参考訳）: ZeroReg3D:3D画像再構成のためのゼロショットレジストレーションパイプライン
• Authors: Juming Xiong, Ruining Deng, Jialin Yue, Siqi Lu, Junlin Guo, Marilyn Lionts, Tianyuan Yao, Can Cui, Junchao Zhu, Chongyu Qu, Mengmeng Yin, Haichun Yang, Yuankai Huo,
• Abstract要約: 組織学的解析は組織構造や病理を理解する上で重要な役割を担っている。 2次元スライスから正確な3Dモデルを構築することは、組織変形、分割アーティファクト、画像技術における可変性、および一貫性のない照明のために依然として困難である。 本研究では,ゼロレグ3D(ゼロレグ3D,ゼロレグ3D,ゼロレグ3D,ゼロレグ3D,ゼロレグ3D)を導入した。
• 参考スコア（独自算出の注目度）: 6.590139868966619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Histological analysis plays a crucial role in understanding tissue structure and pathology. While recent advancements in registration methods have improved 2D histological analysis, they often struggle to preserve critical 3D spatial relationships, limiting their utility in both clinical and research applications. Specifically, constructing accurate 3D models from 2D slices remains challenging due to tissue deformation, sectioning artifacts, variability in imaging techniques, and inconsistent illumination. Deep learning-based registration methods have demonstrated improved performance but suffer from limited generalizability and require large-scale training data. In contrast, non-deep-learning approaches offer better generalizability but often compromise on accuracy. In this study, we introduced ZeroReg3D, a novel zero-shot registration pipeline tailored for accurate 3D reconstruction from serial histological sections. By combining zero-shot deep learning-based keypoint matching with optimization-based affine and non-rigid registration techniques, ZeroReg3D effectively addresses critical challenges such as tissue deformation, sectioning artifacts, staining variability, and inconsistent illumination without requiring retraining or fine-tuning. The code has been made publicly available at https://github.com/hrlblab/ZeroReg3D
• Abstract（参考訳）: 組織学的解析は組織構造や病理を理解する上で重要な役割を担っている。 近年の登録方法の進歩は2次元組織学的解析を改善しているが, 臨床応用と研究応用の両面で有用性を制限するため, 重要な3次元空間的関係の維持に苦慮することが多い。 具体的には、2次元スライスから正確な3Dモデルを構築することは、組織変形、分割アーティファクト、画像技術における可変性、および一貫性のない照明のために依然として困難である。 深層学習に基づく登録手法は性能の向上を実証しているが、一般化性に限界があり、大規模なトレーニングデータを必要とする。 対照的に、非深層学習アプローチはより優れた一般化性を提供するが、しばしば精度を損なう。 本研究では,ゼロレグ3D(ゼロレグ3D,ゼロレグ3D,ゼロレグ3D,ゼロレグ3D,ゼロレグ3D)を導入した。 ZeroReg3Dは、ゼロショットのディープラーニングベースのキーポイントマッチングと最適化ベースのアフィンと非厳密な登録技術を組み合わせることで、組織変形、断片化アーティファクト、染色のばらつき、一貫性のない照明といった重要な課題に、リトレーニングや微調整を必要とせずに効果的に対処する。 コードはhttps://github.com/hrlblab/ZeroReg3Dで公開されている。

関連論文リスト

• Tracking-Aware Deformation Field Estimation for Non-rigid 3D Reconstruction in Robotic Surgeries [15.231519282512567]
  楽器と部品の相互作用において、組織の変形が最小であっても認識することは、依然として安全である。 本研究では,3次元メッシュと3次元組織変形を同時に再構築する新しいフレームワークであるTracking-Aware deformation Field (TADF)を提案する。
  論文  参考訳（メタデータ） (2025-03-04T12:33:17Z)
• FILP-3D: Enhancing 3D Few-shot Class-incremental Learning with Pre-trained Vision-Language Models [59.13757801286343]
  クラス増分学習(class-incremental learning)は、モデルが限られたデータで漸進的にトレーニングされている場合、破滅的な忘れの問題を軽減することを目的としている。 本稿では,特徴空間の不整合のための冗長特徴除去器 (RFE) と,重要な雑音に対する空間ノイズ補償器 (SNC) の2つの新しいコンポーネントを備えたFILP-3Dフレームワークを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T14:52:07Z)
• Intraoperative 2D/3D Image Registration via Differentiable X-ray Rendering [5.617649111108429]
  DiffPoseは、患者固有のシミュレーションと微分可能な物理ベースのレンダリングを利用して、手動でラベル付けされたデータに頼ることなく正確な2D/3D登録を実現する自己教師型アプローチである。 DiffPoseは手術用データセット全体の術速でサブミリ精度を達成し、既存の教師なしの手法を桁違いに改善し、教師付きベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T13:05:54Z)
• Self-Supervised Geometry-Aware Encoder for Style-Based 3D GAN Inversion [115.82306502822412]
  StyleGANは、画像インバージョンと潜時編集による2次元顔再構成とセマンティック編集において大きな進歩を遂げている。 対応する汎用的な3D GANインバージョンフレームワークがまだ欠けており、3D顔再構成とセマンティック編集の応用が制限されている。 本研究では,その3次元形状と詳細なテクスチャを忠実に復元するために,単一の顔画像から潜伏コードを予測する3D GAN逆変換の課題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T18:49:50Z)
• Advancing 3D Medical Image Analysis with Variable Dimension Transform based Supervised 3D Pre-training [45.90045513731704]
  本稿では,革新的でシンプルな3Dネットワーク事前学習フレームワークを再考する。 再設計された3Dネットワークアーキテクチャにより、データ不足の問題に対処するために、修正された自然画像が使用される。 4つのベンチマークデータセットに関する総合的な実験により、提案した事前学習モデルが収束を効果的に加速できることが示されている。
  論文  参考訳（メタデータ） (2022-01-05T03:11:21Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
  入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。 我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。 我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
  論文  参考訳（メタデータ） (2020-08-16T13:38:41Z)
• Noise2Filter: fast, self-supervised learning and real-time reconstruction for 3D Computed Tomography [0.0]
  X線ビームラインでは、物体の内部の3Dトモグラフィー画像の達成可能な時間分解能が1秒に短縮された。 本研究では,実測データのみを用いて学習可能なフィルタ手法であるNoss2Filterを提案する。 トレーニングデータの追加によるトレーニングと比較して,精度の低下は限定的であり,標準フィルタ法と比較して精度が向上した。
  論文  参考訳（メタデータ） (2020-07-03T12:12:10Z)

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。