論文の概要: A 3D Cross-modal Keypoint Descriptor for MR-US Matching and Registration
- arxiv url: http://arxiv.org/abs/2507.18551v1
- Date: Thu, 24 Jul 2025 16:19:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-25 15:10:44.113228
- Title: A 3D Cross-modal Keypoint Descriptor for MR-US Matching and Registration
- Title（参考訳）: MR-USマッチングと登録のための3次元クロスモーダルキーポイント記述子
- Authors: Daniil Morozov, Reuben Dorent, Nazim Haouchine,
- Abstract要約: 術前MRIへのリアルタイム超音波の術中登録は未解決の課題である。
我々はMRI-iUSマッチングと登録のための新しい3Dクロスモーダルキーポイント記述子を提案する。
本手法は, 術前MRIから合成iUS量を生成する患者固有のマッチング・バイ・シンセシス法を用いている。
- 参考スコア（独自算出の注目度）: 0.053801353100098995
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intraoperative registration of real-time ultrasound (iUS) to preoperative Magnetic Resonance Imaging (MRI) remains an unsolved problem due to severe modality-specific differences in appearance, resolution, and field-of-view. To address this, we propose a novel 3D cross-modal keypoint descriptor for MRI-iUS matching and registration. Our approach employs a patient-specific matching-by-synthesis approach, generating synthetic iUS volumes from preoperative MRI. This enables supervised contrastive training to learn a shared descriptor space. A probabilistic keypoint detection strategy is then employed to identify anatomically salient and modality-consistent locations. During training, a curriculum-based triplet loss with dynamic hard negative mining is used to learn descriptors that are i) robust to iUS artifacts such as speckle noise and limited coverage, and ii) rotation-invariant . At inference, the method detects keypoints in MR and real iUS images and identifies sparse matches, which are then used to perform rigid registration. Our approach is evaluated using 3D MRI-iUS pairs from the ReMIND dataset. Experiments show that our approach outperforms state-of-the-art keypoint matching methods across 11 patients, with an average precision of $69.8\%$. For image registration, our method achieves a competitive mean Target Registration Error of 2.39 mm on the ReMIND2Reg benchmark. Compared to existing iUS-MR registration approach, our framework is interpretable, requires no manual initialization, and shows robustness to iUS field-of-view variation. Code is available at https://github.com/morozovdd/CrossKEY.
- Abstract（参考訳）: 術前MRIへのリアルタイム超音波(iUS)の術中登録は, 外観, 解像度, 視野の相違が激しいため, 未解決の課題である。
そこで我々は,MRI-iUSマッチングと登録のための新しい3Dクロスモーダルキーポイント記述子を提案する。
本手法は, 術前MRIから合成iUS量を生成する患者固有のマッチング・バイ・シンセシス法を用いている。
これにより、教師付きコントラストトレーニングにより、共有ディスクリプタ空間を学習することができる。
次に、確率的キーポイント検出戦略を用いて、解剖学的に健全でモダリティに一貫性のある位置を特定する。
トレーニング中、動的に硬い負のマイニングを伴うカリキュラムベースの三重項損失を用いて、記述子である記述子を学習する。
一 スペックルノイズ、限られた範囲等のiUSアーティファクトに対して堅牢であること。
二 回転不変量
推測では,MR画像と実際のiUS画像のキーポイントを検出し,スパースマッチングを識別し,厳密な登録を行う。
提案手法はReMINDデータセットの3次元MRI-iUSペアを用いて評価する。
実験の結果,本手法は11例中11例で最先端のキーポイントマッチング法より優れており,平均精度は69.8 %である。
画像登録では,ReMIND2Regベンチマークにおいて,目標登録誤差が2.39mmの競合平均値を得る。
既存のiUS-MR登録手法と比較して,本フレームワークは解釈可能であり,手動初期化を必要とせず,iUSフィールド・オブ・ビューの変動に対して堅牢性を示す。
コードはhttps://github.com/morozovdd/CrossKEY.comで入手できる。
関連論文リスト
- ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - CABLD: Contrast-Agnostic Brain Landmark Detection with Consistency-Based Regularization [2.423045468361048]
CABLDは、ラベルなしスキャンにおける3次元脳ランドマーク検出のための、新しい自己教師型ディープラーニングフレームワークである。
提案手法はMRIによる脳のランドマーク検出を複雑に行うことで実証する。
我々のフレームワークは、解剖学的ランドマーク検出のための堅牢で正確なソリューションを提供し、広範囲の注釈付きデータセットの必要性を減らす。
論文 参考訳（メタデータ） (2024-11-26T19:56:29Z) - Learning to Match 2D Keypoints Across Preoperative MR and Intraoperative Ultrasound [38.1299082729891]
術前MR画像と術中超音波画像との整合性を考慮したテクスチャ不変2Dキーポイント記述法を提案する。
我々は,すべての画像に対してキーポイントのローカライゼーションを強制し,テクスチャ不変の識別特徴を教師付きコントラスト的に学習する患者固有の記述ネットワークをトレーニングすることで,トレーニングセットを構築した。
本実験は, 提案手法の有効性を実証し, 最先端手法に勝り, マッチング精度を平均80.35%向上した。
論文 参考訳（メタデータ） (2024-09-12T16:00:22Z) - 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) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-01T10:10:46Z) - 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) - GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。
我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。
提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
論文 参考訳（メタデータ） (2023-06-26T13:32:09Z) - Meta-Learning Initializations for Interactive Medical Image Registration [0.18750851274087482]
本稿では,臨床応用のための登録,インタラクション,メタラーニングプロトコルを実装した特定のアルゴリズムについて述べる。
少量のサンプルデータを非インタラクティブな方法に適用すると、より高い登録誤差(6.26mm)が得られ、対話型MR-TRUS登録の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T12:30:53Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - Deep Learning based Multi-modal Computing with Feature Disentanglement
for MRI Image Synthesis [8.363448006582065]
本稿では,MRI合成のための深層学習に基づくマルチモーダル計算モデルを提案する。
提案手法は,各入力モダリティを,共有情報と特定の情報を持つモダリティ固有空間で分割する。
テストフェーズにおける目標モダリティの特定情報の欠如に対処するために、局所適応融合(laf)モジュールを採用してモダリティライクな擬似ターゲットを生成する。
論文 参考訳（メタデータ） (2021-05-06T17:22:22Z)
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。