論文の概要: Robust and Accurate Multi-view 2D/3D Image Registration with Differentiable X-ray Rendering and Dual Cross-view Constraints
- arxiv url: http://arxiv.org/abs/2506.22191v1
- Date: Fri, 27 Jun 2025 12:57:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-30 21:12:23.207063
- Title: Robust and Accurate Multi-view 2D/3D Image Registration with Differentiable X-ray Rendering and Dual Cross-view Constraints
- Title(参考訳): 可変X線レンダリングとデュアルクロスビュー制約によるロバストかつ高精度2D/3D画像登録
- Authors: Yuxin Cui, Rui Song, Yibin Li, Max Q. -H. Meng, Zhe Min,
- Abstract要約: 2段階からなる新しい多視点2D/3D剛性登録手法を提案する。
第1段階では、予測と地味の両相の相違を取り入れた複合損失関数が設計される。
第2段階では、粗い段階から推定されたポーズを洗練するために、テスト時間最適化を行う。
- 参考スコア(独自算出の注目度): 45.57808049168089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robust and accurate 2D/3D registration, which aligns preoperative models with intraoperative images of the same anatomy, is crucial for successful interventional navigation. To mitigate the challenge of a limited field of view in single-image intraoperative scenarios, multi-view 2D/3D registration is required by leveraging multiple intraoperative images. In this paper, we propose a novel multi-view 2D/3D rigid registration approach comprising two stages. In the first stage, a combined loss function is designed, incorporating both the differences between predicted and ground-truth poses and the dissimilarities (e.g., normalized cross-correlation) between simulated and observed intraoperative images. More importantly, additional cross-view training loss terms are introduced for both pose and image losses to explicitly enforce cross-view constraints. In the second stage, test-time optimization is performed to refine the estimated poses from the coarse stage. Our method exploits the mutual constraints of multi-view projection poses to enhance the robustness of the registration process. The proposed framework achieves a mean target registration error (mTRE) of $0.79 \pm 2.17$ mm on six specimens from the DeepFluoro dataset, demonstrating superior performance compared to state-of-the-art registration algorithms.
- Abstract(参考訳): 手術前モデルと同一解剖の術中画像とを一致させるロバストで正確な2D/3D登録は、介入ナビゲーションの成功に不可欠である。
シングルイメージの術中シナリオにおいて限られた視野の課題を緩和するためには、複数の術中画像を活用することで、多視点2D/3D登録が必要である。
本稿では,2段階からなる新しい多視点2D/3D剛性登録手法を提案する。
第1段階では、予測的ポーズと接地的ポーズの違いと、シミュレートされた術中画像と観察された術中画像の相違(例:正規化相互相関)の両方を取り入れて、複合的な損失関数を設計する。
さらに重要なのは、ポーズとイメージの両方の損失に対して、クロスビューの制約を明示的に強制するために、追加のクロスビュートレーニング損失条件が導入されたことだ。
第2段階では、粗い段階から推定されたポーズを洗練するために、テスト時間最適化を行う。
提案手法は,多視点プロジェクションの相互制約を利用して,登録プロセスの堅牢性を高める。
提案フレームワークは,DeepFluoroデータセットから得られた6つの標本に対して,平均目標登録誤差 (mTRE) を0.79 \pm 2.17$ mm で達成し,最先端の登録アルゴリズムよりも優れた性能を示す。
関連論文リスト
- Unsupervised Multimodal 3D Medical Image Registration with Multilevel Correlation Balanced Optimization [22.633633605566214]
マルチレベル相関バランス最適化に基づく教師なしマルチモーダル医用画像登録手法を提案する。
異なるモードの術前医療画像に対して、変形場間の最大融合により有効な情報のアライメントと積み重ねを実現する。
論文 参考訳(メタデータ) (2024-09-08T09:38:59Z) - Breaking Modality Disparity: Harmonized Representation for Infrared and
Visible Image Registration [66.33746403815283]
シーン適応型赤外線と可視画像の登録を提案する。
我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。
我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
論文 参考訳(メタデータ) (2023-04-12T06:49:56Z) - Progressive Multi-view Human Mesh Recovery with Self-Supervision [68.60019434498703]
既存のソリューションは通常、新しい設定への一般化性能の低下に悩まされる。
マルチビューヒューマンメッシュリカバリのためのシミュレーションに基づく新しいトレーニングパイプラインを提案する。
論文 参考訳(メタデータ) (2022-12-10T06:28:29Z) - Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose
Estimation [70.32536356351706]
本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。
ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。
本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
論文 参考訳(メタデータ) (2022-03-29T07:14:58Z) - Multi-Objective Dual Simplex-Mesh Based Deformable Image Registration
for 3D Medical Images -- Proof of Concept [0.7734726150561088]
本研究は,単純なメッシュに基づく3次元デュアルダイナミックグリッド変換モデルを用いて,多目的3次元変形可能な画像登録のための最初の手法を提案する。
概念実証プロトタイプは, 総合的, 臨床的な3D登録問題に対して有望な結果を示した。
論文 参考訳(メタデータ) (2022-02-22T16:07:29Z) - The Impact of Machine Learning on 2D/3D Registration for Image-guided
Interventions: A Systematic Review and Perspective [6.669432838047949]
画像ベースのナビゲーションは、最小侵襲手術の次のフロンティアとして広く考えられている。
2D/3Dレジストレーションは3次元構造と2次元画像の間の空間的関係を推定する手法である。
イメージング問題に対する機械学習ベースのアプローチの近年の出現は、2D/3D登録における悪名高い課題のいくつかを解決するための約束である。
論文 参考訳(メタデータ) (2021-08-04T18:31:29Z) - End-to-end Ultrasound Frame to Volume Registration [9.738024231762465]
2次元および3次元の登録のためのエンドツーエンドのフレーム・ツー・ボリューム登録ネットワーク(FVR-Net)を提案する。
提案モデルでは, リアルタイム介入指導において, 高い競争力のある登録精度で優れた効率性を示す。
論文 参考訳(メタデータ) (2021-07-14T01:59:42Z) - Recurrent Multi-view Alignment Network for Unsupervised Surface
Registration [79.72086524370819]
非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。
我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。
また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
論文 参考訳(メタデータ) (2020-11-24T14:22:42Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳(メタデータ) (2020-04-30T03:23:45Z)
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。