論文の概要: DINOv3 with Test-Time Training for Medical Image Registration

• arxiv url: http://arxiv.org/abs/2508.14809v1
• Date: Wed, 20 Aug 2025 15:58:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.515226
• Title: DINOv3 with Test-Time Training for Medical Image Registration
• Title（参考訳）: DINOv3 : 医用画像登録のためのテストタイムトレーニング
• Authors: Shansong Wang, Mojtaba Safari, Mingzhe Hu, Qiang Li, Chih-Wei Chang, Richard LJ Qiu, Xiaofeng Yang,
• Abstract要約: 本稿では,凍結したDINOv3エンコーダと,特徴空間における変形場の試験時間最適化に依存する無トレーニングパイプラインを提案する。 2つの代表的なベンチマークで、この方法は正確であり、定期的に変形する。
• 参考スコア（独自算出の注目度）: 3.9576638237437183
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Prior medical image registration approaches, particularly learning-based methods, often require large amounts of training data, which constrains clinical adoption. To overcome this limitation, we propose a training-free pipeline that relies on a frozen DINOv3 encoder and test-time optimization of the deformation field in feature space. Across two representative benchmarks, the method is accurate and yields regular deformations. On Abdomen MR-CT, it attained the best mean Dice score (DSC) of 0.790 together with the lowest 95th percentile Hausdorff Distance (HD95) of 4.9+-5.0 and the lowest standard deviation of Log-Jacobian (SDLogJ) of 0.08+-0.02. On ACDC cardiac MRI, it improves mean DSC to 0.769 and reduces SDLogJ to 0.11 and HD95 to 4.8, a marked gain over the initial alignment. The results indicate that operating in a compact foundation feature space at test time offers a practical and general solution for clinical registration without additional training.
• Abstract（参考訳）: 以前の医用画像登録アプローチ、特に学習に基づく手法は、臨床導入を制限する大量のトレーニングデータを必要とすることが多い。 この制限を克服するために、凍結したDINOv3エンコーダと、特徴空間における変形場の試験時間最適化に依存する訓練不要パイプラインを提案する。 2つの代表的なベンチマークで、この方法は正確であり、定期的に変形する。 アブドメンのMR-CTでは、Diceスコア(DSC)が0.790、Hausdorff Distance(HD95)が4.9+-5.0、Log-Jacobian(SDLogJ)が0.08+0.02だった。 ACDCの心臓MRIでは、平均DSCは0.769に改善され、SDLogJは0.11に、HD95は4.8に低下する。 以上の結果から, 試験時にコンパクトな基礎機能空間を運用することは, 追加の訓練を伴わずに, 臨床登録のための実用的, 汎用的なソリューションとなることが示唆された。

関連論文リスト

• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• CleanCTG: A Deep Learning Model for Multi-Artefact Detection and Reconstruction in Cardiotocography [0.0]
  マルチスケールの畳み込みとコンテキスト対応のクロスアテンションにより,まず複数のアーティファクトタイプを識別するエンド・ツー・エンドのデュアルステージモデルであるCleanCTGを提案する。 合成データでは、CureCTGは完全人工物検出(AU-ROC = 1.00)と劣化セグメントの平均二乗誤差(MSE)を2.74×10-4に削減した。 933の臨床的CTG記録において、デュース・レッドマン・システムと統合されると、識別された痕跡は特異性(80.70%から82.70%)を高め、中央値の判断時間を33%短縮した。
  論文  参考訳（メタデータ） (2025-08-11T11:24:45Z)
• Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
  MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。 パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2025-05-23T14:40:09Z)
• Continuous sPatial-Temporal Deformable Image Registration (CPT-DIR) for motion modelling in radiotherapy: beyond classic voxel-based methods [28.526710503853877]
  現在の変形可能な画像登録(DIR)の実装は、離散的な体積運動表現に依存している。 患者解剖運動の連続モデリングに暗黙的神経表現(INR)を用いた新しいアプローチを提案する。 CPT-DIRは、登録と精度、自動化、スピードを大幅に向上させる。
  論文  参考訳（メタデータ） (2024-05-01T10:26:08Z)
• Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
  460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
  論文  参考訳（メタデータ） (2024-03-27T16:56:14Z)
• Deep Learning-Based Automatic Diagnosis System for Developmental Dysplasia of the Hip [3.216812203515066]
  股関節の発達性異形成の臨床的診断は、通常は手動で重要な放射線学的角度を計測する。 本研究の目的は,DDH診断の精度と整合性を高めるために,これらの測定値を統合する自動システムを開発することである。
  論文  参考訳（メタデータ） (2022-09-07T19:50:30Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。