論文の概要: PADReg: Physics-Aware Deformable Registration Guided by Contact Force for Ultrasound Sequences

• arxiv url: http://arxiv.org/abs/2508.08685v1
• Date: Tue, 12 Aug 2025 07:19:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.330393
• Title: PADReg: Physics-Aware Deformable Registration Guided by Contact Force for Ultrasound Sequences
• Title（参考訳）: PADReg: 超音波シーケンスのための接触力による物理対応変形可能な登録
• Authors: Yimeng Geng, Mingyang Zhao, Fan Xu, Guanglin Cao, Gaofeng Meng, Hongbin Liu,
• Abstract要約: PADRegは、接触力によってガイドされる物理対応の変形可能な登録フレームワークである。 PADRegのHD95は12.90で、最先端の手法よりも21.34%良い。
• 参考スコア（独自算出の注目度）: 17.78507145427892
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Ultrasound deformable registration estimates spatial transformations between pairs of deformed ultrasound images, which is crucial for capturing biomechanical properties and enhancing diagnostic accuracy in diseases such as thyroid nodules and breast cancer. However, ultrasound deformable registration remains highly challenging, especially under large deformation. The inherently low contrast, heavy noise and ambiguous tissue boundaries in ultrasound images severely hinder reliable feature extraction and correspondence matching. Existing methods often suffer from poor anatomical alignment and lack physical interpretability. To address the problem, we propose PADReg, a physics-aware deformable registration framework guided by contact force. PADReg leverages synchronized contact force measured by robotic ultrasound systems as a physical prior to constrain the registration. Specifically, instead of directly predicting deformation fields, we first construct a pixel-wise stiffness map utilizing the multi-modal information from contact force and ultrasound images. The stiffness map is then combined with force data to estimate a dense deformation field, through a lightweight physics-aware module inspired by Hooke's law. This design enables PADReg to achieve physically plausible registration with better anatomical alignment than previous methods relying solely on image similarity. Experiments on in-vivo datasets demonstrate that it attains a HD95 of 12.90, which is 21.34\% better than state-of-the-art methods. The source code is available at https://github.com/evelynskip/PADReg.
• Abstract（参考訳）: 超音波デフォルマブル登録は, 甲状腺結節や乳癌などの疾患における生体力学的特性の把握と診断精度の向上に不可欠である, 一対の変形超音波画像間の空間的変換を推定する。 しかし、特に大きな変形下では、超音波変形性登録は非常に困難である。 超音波画像における低コントラスト, 重騒音, 曖昧な組織境界は, 信頼性の高い特徴抽出と対応マッチングを著しく妨げている。 既存の方法はしばしば解剖学的アライメントが悪く、物理的解釈性に欠ける。 そこで本研究では,接触力で案内される物理対応の変形可能な登録フレームワークPADRegを提案する。 PADRegは、ロボット超音波システムによって測定された同期接触力を、登録を制限するために物理的に活用する。 具体的には、変形場を直接予測する代わりに、まず、接触力と超音波画像からのマルチモーダル情報を利用した画素単位の剛性マップを構築する。 剛性マップは力データと組み合わされ、フックの法則にインスパイアされた軽量な物理認識モジュールを通して密度変形場を推定する。 この設計により、PADRegは、画像の類似性にのみ依存する従来の方法よりも、解剖学的アライメントが優れた物理的に妥当な登録を実現することができる。 in-vivoデータセットの実験では、HD95は12.90で、最先端の手法よりも21.34\%良い。 ソースコードはhttps://github.com/evelynskip/PADRegで入手できる。

関連論文リスト

• Real-Time Model-Based Quantitative Ultrasound and Radar [65.268245109828]
  本稿では,波動伝搬の物理モデルに基づくニューラルネットワークを提案し,受信信号と物理特性の関係を定義した。 我々のネットワークは、複雑で現実的なシナリオのために、1秒未満で複数の物理的特性を再構築することができる。
  論文  参考訳（メタデータ） (2024-02-16T09:09:16Z)
• 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)
• Anatomy-aware and acquisition-agnostic joint registration with SynthMorph [6.017634371712142]
  アフィン画像登録は、医用画像解析の基盤となっている。 ディープラーニング(DL)メソッドは、画像対を出力変換にマッピングする関数を学ぶ。 ほとんどのアフィン法は、ユーザが調整したい解剖学に依存しない。つまり、アルゴリズムが画像のすべての構造を考慮すれば、登録は不正確なものになる。 われわれはこれらの欠点をSynthMorphで解決する。これは高速で対称で、微分型で使い易いDLツールで、任意の脳画像の関節アフィン変形性登録を行う。
  論文  参考訳（メタデータ） (2023-01-26T18:59:33Z)
• Unsupervised Echocardiography Registration through Patch-based MLPs and Transformers [6.330832343516528]
  この作業では、トランスフォーマーとパッチを使用した3つのイメージ登録用のパッチベースのフレームワークを導入している。 我々は、人気のあるCNN登録モデルよりも同等で、さらに優れた登録性能を示します。
  論文  参考訳（メタデータ） (2022-11-21T17:59:04Z)
• DiffuseMorph: Unsupervised Deformable Image Registration Along Continuous Trajectory Using Diffusion Models [31.826844124173984]
  DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。 本モデルは,動画像と固定画像の変形のスコア関数を学習する。 本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
  論文  参考訳（メタデータ） (2021-12-09T08:41:23Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• 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)
• Conditional Deformable Image Registration with Convolutional Neural Network [15.83842747998493]
  深部変形可能な画像登録のための条件付き画像登録手法と自己教師付き学習パラダイムを提案する。 提案手法は, 実行時の優位性や登録精度を犠牲にすることなく, 変形場の滑らかさを正確に制御することができる。
  論文  参考訳（メタデータ） (2021-06-23T22:25:28Z)
• 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)
• Groupwise Multimodal Image Registration using Joint Total Variation [0.0]
  このようなマルチモーダル画像登録のための統合総量変動に基づくコスト関数を導入する。 シミュレーション脳スキャンと実脳スキャンの両方を厳密に整列させるアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2020-05-06T16:11:32Z)

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。