論文の概要: Ideal Registration? Segmentation is All You Need

• arxiv url: http://arxiv.org/abs/2509.15784v1
• Date: Fri, 19 Sep 2025 09:16:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.093185
• Title: Ideal Registration? Segmentation is All You Need
• Title（参考訳）: 理想的な登録? セグメンテーションは必要なだけ
• Authors: Xiang Chen, Fengting Zhang, Qinghao Liu, Min Liu, Kun Wu, Yaonan Wang, Hang Zhang,
• Abstract要約: SegRegは、領域固有の変形パターンを利用して、解剖学的適応的な正規化を実装している。 SegRegは3つの臨床登録シナリオで既存の手法を2-12%上回っている。
• 参考スコア（独自算出の注目度）: 35.78496630045936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has revolutionized image registration by its ability to handle diverse tasks while achieving significant speed advantages over conventional approaches. Current approaches, however, often employ globally uniform smoothness constraints that fail to accommodate the complex, regionally varying deformations characteristic of anatomical motion. To address this limitation, we propose SegReg, a Segmentation-driven Registration framework that implements anatomically adaptive regularization by exploiting region-specific deformation patterns. Our SegReg first decomposes input moving and fixed images into anatomically coherent subregions through segmentation. These localized domains are then processed by the same registration backbone to compute optimized partial deformation fields, which are subsequently integrated into a global deformation field. SegReg achieves near-perfect structural alignment (98.23% Dice on critical anatomies) using ground-truth segmentation, and outperforms existing methods by 2-12% across three clinical registration scenarios (cardiac, abdominal, and lung images) even with automatic segmentation. Our SegReg demonstrates a near-linear dependence of registration accuracy on segmentation quality, transforming the registration challenge into a segmentation problem. The source code will be released upon manuscript acceptance.
• Abstract（参考訳）: ディープラーニングは、多様なタスクを扱う能力によって、画像登録に革命をもたらした。 しかし、現在のアプローチでは、解剖学的運動に特徴的な複雑な局所的な変形に対応できない、全世界的に均一な滑らかさの制約を用いることが多い。 この制限に対処するために、領域固有の変形パターンを利用して解剖学的適応正則化を実装するセグメンテーション駆動レジストレーションフレームワークであるSegRegを提案する。 我々のSegRegは、まず入力移動と固定された画像をセグメンテーションによって解剖学的に一貫性のあるサブリージョンに分解する。 これらの局所化ドメインは、同じ登録バックボーンによって処理され、最適化された部分変形場を計算し、その後、大域的変形場に統合される。 セグレグは、地上構造セグメンテーションを用いて、ほぼ完全な構造的アライメント(98.23%の臨界解剖学)を達成し、自動セグメンテーションでも3つの臨床登録シナリオ(心臓、腹部、肺画像)で既存の手法を2-12%上回っている。 我々のSegRegは、セグメンテーションの精度がセグメンテーションの品質にほぼ直線的に依存していることを示し、セグメンテーションの課題をセグメンテーションの問題に変換する。 ソースコードは、原稿の受理時にリリースされる。

関連論文リスト

• Prompt-Guided Patch UNet-VAE with Adversarial Supervision for Adrenal Gland Segmentation in Computed Tomography Medical Images [0.3437656066916039]
  CT画像における副腎などの小さな腹部臓器は、厳密な階級不均衡、空間的状況の悪化、限られた注釈付きデータによる永続的な課題である。 本稿では,これらの制約を原則的かつスケーラブルに対処するために,変分再構成,教師付きセグメンテーション,および逆パッチベースのフィードバックを組み合わせた統合フレームワークを提案する。 本研究は,小組織セグメンテーションにおけるハイブリッド世代別訓練体制の有効性を明らかにするとともに,データ共有シナリオにおける現実性,多様性,解剖学的整合性のバランスに関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2025-09-03T10:18:06Z)
• One registration is worth two segmentations [12.163299991979574]
  画像登録の目的は、2つ以上の画像間の空間的対応を確立することである。 そこで我々は,より直感的な対応表現として,対応する関心領域(ROI)ペアの集合を提案する。 提案したSAMRegは複数のROIペアのセグメンテーションとマッチングが可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-17T16:14:32Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
  多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。 本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。 入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。 大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
  論文  参考訳（メタデータ） (2022-11-24T23:45:01Z)
• UniDAformer: Unified Domain Adaptive Panoptic Segmentation Transformer via Hierarchical Mask Calibration [49.16591283724376]
  単一ネットワーク内でのドメイン適応型インスタンス分割とセマンティックセマンティックセマンティックセマンティクスを同時に実現可能な,シンプルで統一されたドメイン適応型パン光学セマンティクスセマンティクス変換器UniDAformerを設計する。 UniDAformerは階層型マスク(Hierarchical Mask, HMC)を導入し、オンザフライでのオンラインセルフトレーニングを通じて、領域、スーパーピクセル、注釈付きピクセルのレベルで不正確な予測を修正した。 1) 統合されたドメイン適応型パン光学適応を可能にする; 2) 誤った予測を緩和し、ドメイン適応型パン光学セグメンテーションを効果的に改善する; 3) より単純なトレーニングと推論パイプラインでエンドツーエンドのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2022-06-30T07:32:23Z)
• Image Segmentation with Adaptive Spatial Priors from Joint Registration [10.51970325349652]
  大腿筋画像では、異なる筋肉が束ねられ、その間に明確な境界が存在しないことが多い。 関節登録から適応的な空間的先行性を持つセグメンテーションモデルを提案する。 人工大腿筋MR画像の合成モデルと大腿筋MR画像について検討した。
  論文  参考訳（メタデータ） (2022-03-29T13:29:59Z)
• Region Proposal Rectification Towards Robust Instance Segmentation of Biological Images [10.618508051893649]
  本稿では,この課題に対処する領域提案修正(RPR)モジュールを提案する。 追加の近隣情報により、提案したRPRモジュールは、地域提案位置の補正を著しく改善したことを示す。 実験により,提案RPRモジュールはアンカーベースとアンカーフリーなトップダウンインスタンスセグメンテーションアプローチの両方に有効であることが示された。
  論文  参考訳（メタデータ） (2022-03-06T01:33:04Z)

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。