論文の概要: Robust Rigid and Non-Rigid Medical Image Registration Using Learnable Edge Kernels

• arxiv url: http://arxiv.org/abs/2512.01771v1
• Date: Mon, 01 Dec 2025 15:13:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.914442
• Title: Robust Rigid and Non-Rigid Medical Image Registration Using Learnable Edge Kernels
• Title（参考訳）: 学習可能なエッジカーネルを用いたロバスト剛体と非剛体医用画像登録
• Authors: Ahsan Raza Siyal, Markus Haltmeier, Ruth Steiger, Malik Galijasevic, Elke Ruth Gizewski, Astrid Ellen Grams,
• Abstract要約: 本稿では,学習可能なエッジカーネルと,学習に基づく剛性および非剛性登録技術を統合する手法を提案する。 我々のアプローチは、事前に定義されたエッジ検出カーネルから始まり、ランダムノイズで摂動される。 この適応エッジ検出は、医用画像において重要な多様な構造的特徴を捉えることにより、登録プロセスを強化する。
• 参考スコア（独自算出の注目度）: 2.8802868527181995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image registration is crucial for various clinical and research applications including disease diagnosis or treatment planning which require alignment of images from different modalities, time points, or subjects. Traditional registration techniques often struggle with challenges such as contrast differences, spatial distortions, and modality-specific variations. To address these limitations, we propose a method that integrates learnable edge kernels with learning-based rigid and non-rigid registration techniques. Unlike conventional layers that learn all features without specific bias, our approach begins with a predefined edge detection kernel, which is then perturbed with random noise. These kernels are learned during training to extract optimal edge features tailored to the task. This adaptive edge detection enhances the registration process by capturing diverse structural features critical in medical imaging. To provide clearer insight into the contribution of each component in our design, we introduce four variant models for rigid registration and four variant models for non-rigid registration. We evaluated our approach using a dataset provided by the Medical University across three setups: rigid registration without skull removal, with skull removal, and non-rigid registration. Additionally, we assessed performance on two publicly available datasets. Across all experiments, our method consistently outperformed state-of-the-art techniques, demonstrating its potential to improve multi-modal image alignment and anatomical structure analysis.
• Abstract（参考訳）: 医学的画像登録は、さまざまなモダリティ、時間点、主題の画像のアライメントを必要とする疾患の診断や治療計画など、様々な臨床および研究用途に欠かせない。 伝統的な登録技術は、コントラストの違い、空間的歪み、モダリティ固有のバリエーションといった課題に苦しむことが多い。 これらの制約に対処するために,学習可能なエッジカーネルと学習に基づく厳密かつ厳密な登録手法を統合する手法を提案する。 特定のバイアスなしに全ての特徴を学習する従来のレイヤとは異なり、私たちのアプローチは事前に定義されたエッジ検出カーネルから始まり、ランダムノイズで乱れます。 これらのカーネルはトレーニング中に学習され、タスクに合わせて最適なエッジ特徴を抽出する。 この適応エッジ検出は、医用画像において重要な多様な構造的特徴を捉えることにより、登録プロセスを強化する。 設計における各コンポーネントの貢献をより明確にするために、剛性登録のための4つの変種モデルと非剛性登録のための4つの変種モデルを導入する。 われわれは, 頭蓋骨除去を伴わない剛性登録, 頭蓋骨除去を伴わない登録, 非剛性登録の3つの設定にまたがって, 医科大学が提供したデータセットを用いてアプローチを評価した。 さらに、2つの公開データセットのパフォーマンスを評価した。 全ての実験において,本手法は常に最先端技術より優れており,マルチモーダル画像アライメントと解剖学的構造解析の改善の可能性を示している。

関連論文リスト

• Systematic Evaluation of Preprocessing Techniques for Accurate Image Registration in Digital Pathology [0.0]
  色変換がヘマトキシリンとエオシン染色画像と非線形マルチモーダル画像間の画像登録に与える影響について検討した。 サイクルGAN色変換は最低登録誤差を達成し,他の手法では高い誤差を示した。
  論文  参考訳（メタデータ） (2025-11-06T08:22:44Z)
• AFiRe: Anatomy-Driven Self-Supervised Learning for Fine-Grained Representation in Radiographic Images [7.647881928269929]
  放射線画像解析(AFiRe)における微細表現向上のための解剖学駆動型自己教師型フレームワークを提案する。 AFiReの中核となる考え方は、解剖学的一貫性とVision Transformerのユニークなトークン処理特性を整合させることである。 実験結果から, AFiReは, 最先端のコントラスト学習法と比較して, より凝集性の高い特徴クラスタを実現することができることがわかった。
  論文  参考訳（メタデータ） (2025-04-15T08:29:54Z)
• Interactive Tumor Progression Modeling via Sketch-Based Image Editing [54.47725383502915]
  腫瘍進行編集のためのスケッチベース拡散モデルであるSkEditTumorを提案する。 スケッチを構造的先行として活用することにより,構造的整合性と視覚的リアリズムを維持しつつ,腫瘍領域の精密な修正を可能にする。 私たちのコントリビューションには、医用画像編集のための拡散モデルとスケッチの新たな統合、腫瘍進行の可視化のきめ細かい制御、複数のデータセットにわたる広範な検証などが含まれています。
  論文  参考訳（メタデータ） (2025-03-10T00:04:19Z)
• CABLD: Contrast-Agnostic Brain Landmark Detection with Consistency-Based Regularization [2.423045468361048]
  CABLDは、ラベルなしスキャンにおける3次元脳ランドマーク検出のための、新しい自己教師型ディープラーニングフレームワークである。 提案手法はMRIによる脳のランドマーク検出を複雑に行うことで実証する。 我々のフレームワークは、解剖学的ランドマーク検出のための堅牢で正確なソリューションを提供し、広範囲の注釈付きデータセットの必要性を減らす。
  論文  参考訳（メタデータ） (2024-11-26T19:56:29Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [59.062085785106234]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• Employing similarity to highlight differences: On the impact of anatomical assumptions in chest X-ray registration methods [2.080328156648695]
  我々は,国立衛生研究所(NIH)データセット上に,解剖学的にペナル化した畳み込み型多段階解を開発した。 本手法は,ワープフィールドの折り畳み率を技術状態の1/6に制限する自然な方法であることを示す。 本手法の利点を統計的に評価し,胸部X線登録における現在使用されている指標の限界を強調した。
  論文  参考訳（メタデータ） (2023-01-23T09:42:49Z)
• 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)
• 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)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。