論文の概要: Learning KAN-based Implicit Neural Representations for Deformable Image Registration

• arxiv url: http://arxiv.org/abs/2509.22874v1
• Date: Fri, 26 Sep 2025 19:37:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.920821
• Title: Learning KAN-based Implicit Neural Representations for Deformable Image Registration
• Title（参考訳）: 変形可能な画像登録のためのkan-based Implicit Neural Representationの学習
• Authors: Nikita Drozdov, Marat Zinovev, Dmitry Sorokin,
• Abstract要約: 我々はKan-IDIRとRandKAN-IDIRを提案し、Kolmogorov-Arnold Networks(KAN)を暗黙のニューラル表現(INR)で変形可能な画像登録に初めて統合した。 提案したランダム化されたベースサンプリング戦略は,登録品質を維持しつつ,kanの必要なベース関数数を削減できる。 Kan-IDIRとRandKAN-IDIRは、すべての評価されたモダリティと解剖において、INRベースの手法の中で最高精度を達成した。
• 参考スコア（独自算出の注目度）: 0.8037525071177886
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deformable image registration (DIR) is a cornerstone of medical image analysis, enabling spatial alignment for tasks like comparative studies and multi-modal fusion. While learning-based methods (e.g., CNNs, transformers) offer fast inference, they often require large training datasets and struggle to match the precision of classical iterative approaches on some organ types and imaging modalities. Implicit neural representations (INRs) have emerged as a promising alternative, parameterizing deformations as continuous mappings from coordinates to displacement vectors. However, this comes at the cost of requiring instance-specific optimization, making computational efficiency and seed-dependent learning stability critical factors for these methods. In this work, we propose KAN-IDIR and RandKAN-IDIR, the first integration of Kolmogorov-Arnold Networks (KANs) into deformable image registration with implicit neural representations (INRs). Our proposed randomized basis sampling strategy reduces the required number of basis functions in KAN while maintaining registration quality, thereby significantly lowering computational costs. We evaluated our approach on three diverse datasets (lung CT, brain MRI, cardiac MRI) and compared it with competing instance-specific learning-based approaches, dataset-trained deep learning models, and classical registration approaches. KAN-IDIR and RandKAN-IDIR achieved the highest accuracy among INR-based methods across all evaluated modalities and anatomies, with minimal computational overhead and superior learning stability across multiple random seeds. Additionally, we discovered that our RandKAN-IDIR model with randomized basis sampling slightly outperforms the model with learnable basis function indices, while eliminating its additional training-time complexity.
• Abstract（参考訳）: 変形可能な画像登録(DIR)は、医用画像解析の基盤であり、比較研究やマルチモーダル融合のようなタスクの空間的アライメントを可能にする。 学習に基づく手法(例えば、CNN、トランスフォーマー)は高速な推論を提供するが、大規模なトレーニングデータセットを必要とし、いくつかの臓器のタイプや画像のモダリティに対する古典的な反復的アプローチの精度に合わせるのに苦労することが多い。 入射神経表現(INR)は、座標から変位ベクトルへの連続写像として変形をパラメータ化する、有望な代替手段として登場した。 しかし、これはインスタンス固有の最適化を必要とするコストを伴い、計算効率とシード依存の学習安定性がこれらの手法にとって重要な要素となる。 そこで本研究では,Kolmogorov-Arnold Networks (KAN) の最初の統合である Kan-IDIR と RandKAN-IDIR を提案する。 提案したランダム化されたベースサンプリング戦略は,登録品質を維持しつつ,kanの必要なベース関数数を削減し,計算コストを大幅に削減する。 我々は,3つの多様なデータセット(肺CT,脳MRI,心臓MRI)に対するアプローチを,競合するインスタンス固有の学習ベースアプローチ,データセット学習モデル,古典的登録アプローチと比較した。 Kan-IDIR と RandKAN-IDIR は、すべての評価されたモダリティと解剖にまたがるINR ベースの手法の中で最も高い精度を達成し、計算オーバーヘッドが最小であり、複数のランダムシードに対して優れた学習安定性を実現した。 さらに,ランダム化ベースサンプリングを用いたRandKAN-IDIRモデルでは,学習可能なベース関数の指標で若干性能が向上し,学習時間の複雑さが軽減されることがわかった。

関連論文リスト

• An Efficient Approach for Muscle Segmentation and 3D Reconstruction Using Keypoint Tracking in MRI Scan [8.089892147270529]
  本研究は,キーポイント選択とルーカス・カナーデ光流を統合したキーポイント追跡に基づく,学習不要なセグメンテーション手法を提案する。 提案手法はキーポイント選択戦略に応じて0.6から0.7の範囲の平均Dice類似度係数(DSC)を実現する。
  論文  参考訳（メタデータ） (2025-07-11T15:39:28Z)
• Private Training & Data Generation by Clustering Embeddings [74.00687214400021]
  差分プライバシー(DP)は、個々のデータを保護するための堅牢なフレームワークを提供する。 本稿では,DP合成画像埋め込み生成のための新しい原理的手法を提案する。 経験的に、合成的に生成された埋め込みに基づいて訓練された単純な2層ニューラルネットワークは、最先端(SOTA)分類の精度を達成する。
  論文  参考訳（メタデータ） (2025-06-20T00:17:14Z)
• A Steerable Deep Network for Model-Free Diffusion MRI Registration [4.813333335683418]
  原拡散MRIデータの非厳密な登録のための新しい深層学習フレームワークを提案する。 この研究は、データ駆動型幾何対応のdMRI登録の基盤を、取得空間で直接確立する。
  論文  参考訳（メタデータ） (2025-01-08T19:18:44Z)
• Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
  本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。 また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
  論文  参考訳（メタデータ） (2023-08-28T12:55:13Z)
• PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction [0.7199733380797579]
  定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。 この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。 我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
  論文  参考訳（メタデータ） (2023-06-19T15:37:53Z)
• Stochastic Unrolled Federated Learning [85.6993263983062]
  本稿では,UnRolled Federated Learning (SURF)を導入する。 提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
  論文  参考訳（メタデータ） (2023-05-24T17:26:22Z)
• Modality-Agnostic Variational Compression of Implicit Neural Representations [96.35492043867104]
  Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。 潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。 このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
  論文  参考訳（メタデータ） (2023-01-23T15:22:42Z)
• Deep Representational Similarity Learning for analyzing neural signatures in task-based fMRI dataset [81.02949933048332]
  本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。 DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
  論文  参考訳（メタデータ） (2020-09-28T18:30:14Z)

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。