論文の概要: The Brain Resection Multimodal Image Registration (ReMIND2Reg) 2025 Challenge

• arxiv url: http://arxiv.org/abs/2508.09649v1
• Date: Wed, 13 Aug 2025 09:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.834656
• Title: The Brain Resection Multimodal Image Registration (ReMIND2Reg) 2025 Challenge
• Title（参考訳）: Brain Resection Multimodal Image Registration (ReMIND2Reg) 2025 Challenge
• Authors: Reuben Dorent, Laura Rigolo, Colin P. Galvin, Junyu Chen, Mattias P. Heinrich, Aaron Carass, Olivier Colliot, Demian Wassermann, Alexandra Golby, Tina Kapur, William Wells,
• Abstract要約: ReMIND2Reg 2025 Challengeは、ReMINDデータセットに基づいて構築された、このタスクのための最大の公開ベンチマークを提供する。 99のトレーニングケース、5のバリデーションケース、10のプライベートテストケースがペアの3D ceT1 MRI、T2 MRI、そして術後3D iUSボリュームで構成されている。 データはトレーニングのためのアノテーションなしで提供され、検証とテストのパフォーマンスは手動で注釈付けされた解剖学的ランドマークで評価される。
• 参考スコア（独自算出の注目度）: 42.51640997446028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate intraoperative image guidance is critical for achieving maximal safe resection in brain tumor surgery, yet neuronavigation systems based on preoperative MRI lose accuracy during the procedure due to brain shift. Aligning post-resection intraoperative ultrasound (iUS) with preoperative MRI can restore spatial accuracy by estimating brain shift deformations, but it remains a challenging problem given the large anatomical and topological changes and substantial modality intensity gap. The ReMIND2Reg 2025 Challenge provides the largest public benchmark for this task, built upon the ReMIND dataset. It offers 99 training cases, 5 validation cases, and 10 private test cases comprising paired 3D ceT1 MRI, T2 MRI, and post-resection 3D iUS volumes. Data are provided without annotations for training, while validation and test performance are evaluated on manually annotated anatomical landmarks. Metrics include target registration error (TRE), robustness to worst-case landmark misalignment (TRE30), and runtime. By establishing a standardized evaluation framework for this clinically critical and technically complex problem, ReMIND2Reg aims to accelerate the development of robust, generalizable, and clinically deployable multimodal registration algorithms for image-guided neurosurgery.
• Abstract（参考訳）: 脳腫瘍手術における術中画像の正確な指導は, 術中MRIに基づく神経ナビゲーションシステムは, 脳の移動による術中精度を低下させる。 術前MRIを併用した術中超音波検査は,脳の変形を推定することにより,空間的精度を回復することができるが,解剖学的,位相学的に大きな変化と相当なモダリティ強度の差を考慮すれば,依然として困難な問題である。 ReMIND2Reg 2025 Challengeは、ReMINDデータセットに基づいて構築された、このタスクのための最大の公開ベンチマークを提供する。 99のトレーニングケース、5のバリデーションケース、10のプライベートテストケースがペアの3D ceT1 MRI、T2 MRI、そして術後3D iUSボリュームで構成されている。 データはトレーニングのためのアノテーションなしで提供され、検証とテストのパフォーマンスは手動で注釈付けされた解剖学的ランドマークで評価される。 メトリックとしては、ターゲット登録エラー(TRE)、最悪のランドマークミスアライメント(TRE30)への堅牢性、ランタイムなどがある。 ReMIND2Regは、この臨床的に批判的で技術的に複雑な問題に対する標準化された評価枠組みを確立することで、画像ガイド下神経外科のための堅牢で、一般化可能で、臨床にデプロイ可能なマルチモーダル登録アルゴリズムの開発を加速することを目指している。

関連論文リスト

• Landmark-Free Preoperative-to-Intraoperative Registration in Laparoscopic Liver Resection [50.388465935739376]
  術前の3Dモデルを術中2Dフレームにオーバーレイすることで肝臓の空間解剖を明瞭に把握し,より高い手術成功率を達成することができる。 既存の登録法は解剖学的ランドマークに大きく依存しており、2つの大きな制限に直面している。 本稿では,効果的な自己教師型学習を生かした,目覚ましくない術前・術中登録フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-21T14:55:57Z)
• Dense Error Map Estimation for MRI-Ultrasound Registration in Brain Tumor Surgery Using Swin UNETR [2.64700310378485]
  術中超音波は脳の移動を追跡でき、MRI-iUS登録技術は手術前の計画を更新できる。 しかし,MRI-iUSのリアルタイム登録結果の手作業による評価は困難であり,データの3次元特性に起因して誤りを生じやすい。 We propose a novel deep-learning (DL) based framework with the Swin UNETR to improve 3D-patch-wise dense error map for MRI-iUS registration in iUS-guided brain tumor resection。
  論文  参考訳（メタデータ） (2023-08-21T15:19:32Z)
• Automatic registration with continuous pose updates for marker-less surgical navigation in spine surgery [52.63271687382495]
  本研究では, 腰部脊柱管固定術の登録問題を, 無放射線で自動的に解決するアプローチを提案する。 深部神経ネットワークは、腰椎を分割し、その方向を同時に予測するように訓練され、前手術モデルに対する最初のポーズが得られた。 拡張現実ベースのナビゲーションシステムとの統合により、直感的な外科的ガイダンスが提供される。
  論文  参考訳（メタデータ） (2023-08-05T16:26:41Z)
• FocalErrorNet: Uncertainty-aware focal modulation network for inter-modal registration error estimation in ultrasound-guided neurosurgery [3.491999371287298]
  術中組織変形(脳シフトと呼ばれる)は、手術対象を移動させ、手術前の計画が無効になる可能性がある。 脳腫瘍手術におけるMRI-iUS登録誤差を正確に評価するために,3次元焦点変調に基づく新しい深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-26T21:42:22Z)
• Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement [61.28459114068828]
  安全な深部強化学習(DRL)に基づく訓練経路計画にリアルタイムな観察を活用するロボット脊椎手術の術中計画手法を提案する。 本手法は,ゴールドスタンダード (GS) 掘削計画に関して,90%の骨貫通を達成できた。
  論文  参考訳（メタデータ） (2023-05-09T11:42:53Z)
• Brain Tumor Sequence Registration with Non-iterative Coarse-to-fine Networks and Dual Deep Supervision [11.795108660250843]
  脳グリオーマ患者の術前MRI像と術後MRI像の脳腫瘍配列の登録に焦点をあてた。 脳腫瘍の登録は、腫瘍の変化を定量化する脳画像解析の基本的な要件である。 我々は最近提案した非Iterative Coarse-to-finE registration Networks (NICE-Net) を採用した。
  論文  参考訳（メタデータ） (2022-11-15T03:58:47Z)
• Robust Image Registration with Absent Correspondences in Pre-operative and Follow-up Brain MRI Scans of Diffuse Glioma Patients [11.4219428942199]
  術前および術後の脳MRIスキャンのための3段階登録パイプラインを提案する。 提案手法は,BraTS-Regチャレンジの検証セットにおいて,1.64mm,88%の絶対誤差を実現する。
  論文  参考訳（メタデータ） (2022-10-20T06:37:40Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• The Brain Tumor Sequence Registration (BraTS-Reg) Challenge: Establishing Correspondence Between Pre-Operative and Follow-up MRI Scans of Diffuse Glioma Patients [31.567542945171834]
  脳腫瘍シーケンス登録(BraTS-Reg)の課題について述べる。 BraTS-Regは、変形可能な登録アルゴリズムのための最初の公開ベンチマーク環境である。 BraTS-Regの目的は、引き続き研究の活発な資源として機能することである。
  論文  参考訳（メタデータ） (2021-12-13T19:25:16Z)

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。