論文の概要: Test Time Optimized Generalized AI-based Medical Image Registration Method

• arxiv url: http://arxiv.org/abs/2512.14556v1
• Date: Tue, 16 Dec 2025 16:29:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.7884
• Title: Test Time Optimized Generalized AI-based Medical Image Registration Method
• Title（参考訳）: テスト時間最適化汎用AIに基づく医用画像登録法
• Authors: Sneha Sree C., Dattesh Shanbhag, Sudhanya Chatterjee,
• Abstract要約: 我々は、複数の画像モダリティと解剖学的領域をまたいで一般化する3次元非剛体登録のためのAI駆動フレームワークを導入する。 アプリケーション固有のモデルに依存する従来の方法とは異なり、我々のアプローチは解剖学やモダリティ固有のカスタマイズを排除します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Medical image registration is critical for aligning anatomical structures across imaging modalities such as computed tomography (CT), magnetic resonance imaging (MRI), and ultrasound. Among existing techniques, non-rigid registration (NRR) is particularly challenging due to the need to capture complex anatomical deformations caused by physiological processes like respiration or contrast-induced signal variations. Traditional NRR methods, while theoretically robust, often require extensive parameter tuning and incur high computational costs, limiting their use in real-time clinical workflows. Recent deep learning (DL)-based approaches have shown promise; however, their dependence on task-specific retraining restricts scalability and adaptability in practice. These limitations underscore the need for efficient, generalizable registration frameworks capable of handling heterogeneous imaging contexts. In this work, we introduce a novel AI-driven framework for 3D non-rigid registration that generalizes across multiple imaging modalities and anatomical regions. Unlike conventional methods that rely on application-specific models, our approach eliminates anatomy- or modality-specific customization, enabling streamlined integration into diverse clinical environments.
• Abstract（参考訳）: 医用画像登録はCT(Computed tomography)、MRI(MRI)、超音波などの画像モダリティにまたがる解剖学的構造の整合に重要である。 既存の技術の中で、呼吸やコントラストによって引き起こされる信号の変動といった生理学的プロセスによって引き起こされる複雑な解剖学的変形を捉える必要があるため、非剛性登録(NRR)は特に困難である。 従来のNRR法は理論上は堅牢であるが、広範囲なパラメータチューニングと高い計算コストを必要とし、リアルタイムな臨床ワークフローでの使用を制限する。 最近のディープラーニング(DL)ベースのアプローチは、将来性を示しているが、タスク固有のリトレーニングへの依存は、実際にはスケーラビリティと適応性を制限する。 これらの制限は、不均一なイメージングコンテキストを扱うことができる効率的で一般化可能な登録フレームワークの必要性を浮き彫りにした。 本研究では,複数の画像モダリティと解剖学的領域にまたがる3次元非剛体登録のための新しいAI駆動フレームワークを提案する。 アプリケーション固有のモデルに依存する従来の方法とは異なり,本手法は解剖学的あるいはモダリティ特異的なカスタマイズを排除し,多様な臨床環境への合理化を可能にする。

関連論文リスト

• IMPACT: A Generic Semantic Loss for Multimodal Medical Image Registration [0.46904601975060667]
  IMPACT (Image Metric with Pretrained Model-Agnostic Comparison for Transmodality registration) は、マルチモーダル画像登録のための新しい類似度尺度である。 大規模事前訓練セグメンテーションモデルから抽出した深い特徴の比較に基づいて意味的類似度尺度を定義する。 胸椎CT/CBCTおよび骨盤MR/CTデータセットを含む5つの難易度3次元登録課題について検討した。
  論文  参考訳（メタデータ） (2025-03-31T14:08:21Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• 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)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Unsupervised Image Registration Towards Enhancing Performance and Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
  モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。 本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。 本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
  論文  参考訳（メタデータ） (2022-03-07T12:54:33Z)
• 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)
• Robust Image Reconstruction with Misaligned Structural Information [0.27074235008521236]
  再建と登録を共同で行う変分フレームワークを提案する。 我々のアプローチは、異なるモダリティに対してこれを最初に達成し、再構築と登録の両方の精度で確立されたアプローチを上回ります。
  論文  参考訳（メタデータ） (2020-04-01T17:21:25Z)
• Learned Spectral Computed Tomography [0.0]
  スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。 この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。 提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
  論文  参考訳（メタデータ） (2020-03-09T13:39:12Z)

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。