論文の概要: DARE: A Deformable Adaptive Regularization Estimator for Learning-Based Medical Image Registration

• arxiv url: http://arxiv.org/abs/2510.19353v1
• Date: Wed, 22 Oct 2025 08:21:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.421127
• Title: DARE: A Deformable Adaptive Regularization Estimator for Learning-Based Medical Image Registration
• Title（参考訳）: DARE: 学習型医用画像登録のための変形可能な適応正則化推定器
• Authors: Ahsan Raza Siyal, Markus Haltmeier, Ruth Steiger, Malik Galijasevic, Elke Ruth Gizewski, Astrid Ellen Grams,
• Abstract要約: DARE(Deformable Adaptive Regularization Estimator)は、変形場の標準勾配に基づいて弾性正規化を動的に調整する新しい登録フレームワークである。 物理的に現実的な変換を保証するため、DAREは負の変形ジャコビアンを持つ領域をペナル化する折りたたみ防止機構を含む。 この戦略は、折り畳みなどの非物理的アーティファクトを緩和し、過剰な平滑化を回避し、登録精度と解剖学的妥当性の両方を改善する。
• 参考スコア（独自算出の注目度）: 2.8802868527181995
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable medical image registration is a fundamental task in medical image analysis. While deep learning-based methods have demonstrated superior accuracy and computational efficiency compared to traditional techniques, they often overlook the critical role of regularization in ensuring robustness and anatomical plausibility. We propose DARE (Deformable Adaptive Regularization Estimator), a novel registration framework that dynamically adjusts elastic regularization based on the gradient norm of the deformation field. Our approach integrates strain and shear energy terms, which are adaptively modulated to balance stability and flexibility. To ensure physically realistic transformations, DARE includes a folding-prevention mechanism that penalizes regions with negative deformation Jacobian. This strategy mitigates non-physical artifacts such as folding, avoids over-smoothing, and improves both registration accuracy and anatomical plausibility
• Abstract（参考訳）: 変形可能な医用画像登録は、医用画像解析の基本的な課題である。 深層学習に基づく手法は従来の手法に比べて精度と計算効率が優れているが、堅牢性と解剖学的妥当性を保証する上での正規化の重要な役割を見落としていることが多い。 変形場の勾配ノルムに基づいて弾性正規化を動的に調整する新しい登録フレームワークであるDARE(Deformable Adaptive Regularization Estimator)を提案する。 本手法は,安定性と柔軟性のバランスをとるために適応的に変調されたひずみ項とせん断エネルギー項を統合する。 物理的に現実的な変換を保証するため、DAREは負の変形ジャコビアンを持つ領域をペナル化する折りたたみ防止機構を含む。 この戦略は、折り畳みなどの非物理的アーティファクトを緩和し、過剰な平滑化を回避し、登録精度と解剖学的妥当性の両方を改善する。

関連論文リスト

• Implicit Deformable Medical Image Registration with Learnable Kernels [0.6749750044497731]
  変形可能な医用画像登録は、コンピュータ支援の介入において必須の課題である。 最近のAI手法は、精度とスピードで従来の技術より優れている。 正確かつ信頼性の高い変形を予測できる新しい暗黙の登録フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-06-02T18:27:11Z)
• Deformable Image Registration with Stochastically Regularized Biomechanical Equilibrium [0.0]
  本研究は、離散化を必要としない正規化戦略を導入し、現在の登録フレームワークと互換性を持たせた。 提案手法は、合成データと実データの両方で良好に動作し、現在の最先端手法に匹敵する精度を示す。
  論文  参考訳（メタデータ） (2023-12-22T08:16:47Z)
• Learning Physics-Inspired Regularization for Medical Image Registration with Hypernetworks [3.776306113984256]
  本稿では,物理に着想を得た正規化器の物理パラメータが空間変形場に与える影響を学習するハイパーネットワークを提案する。 我々のアプローチは、テスト時に適切なデータ固有の物理パラメータを効率的に発見することを可能にする。
  論文  参考訳（メタデータ） (2023-11-14T15:20:42Z)
• 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)
• Learning Homeomorphic Image Registration via Conformal-Invariant Hyperelastic Regularisation [9.53064372566798]
  共形不変性に基づく変形可能な画像登録のための新しいフレームワークを提案する。 我々の正規化器は、変形場が滑らかで、可逆で、配向保存されるように強制する。 我々は,数値的および視覚的な実験を通じて,我々のフレームワークが現在の画像登録技術より優れていることを実証した。
  論文  参考訳（メタデータ） (2023-03-14T17:47:18Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• 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)
• 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)

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。