論文の概要: MGRegBench: A Novel Benchmark Dataset with Anatomical Landmarks for Mammography Image Registration

• arxiv url: http://arxiv.org/abs/2512.17605v1
• Date: Fri, 19 Dec 2025 14:10:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.423543
• Title: MGRegBench: A Novel Benchmark Dataset with Anatomical Landmarks for Mammography Image Registration
• Title（参考訳）: MGRegBench: マンモグラフィ画像登録のための解剖学的ランドマーク付きベンチマークデータセット
• Authors: Svetlana Krasnova, Emiliya Starikova, Ilia Naletov, Andrey Krylov, Dmitry Sorokin,
• Abstract要約: MGRegBenchは、マンモグラム登録のための公開ベンチマークデータセットである。 5000枚以上のイメージペアで構成され、100枚には手動の解剖学的ランドマークと、厳密な評価のためのセグメンテーションマスクが含まれている。 我々は、古典的(ANT)、学習ベース(VoxelMorph, TransMorph)、暗黙的神経表現(IDIR)、古典的マンモグラフィー固有のアプローチ、最新の最先端ディープラーニング手法であるMammoRegNetなどの多様な登録手法をベンチマークした。
• 参考スコア（独自算出の注目度）: 0.685791481191238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust mammography registration is essential for clinical applications like tracking disease progression and monitoring longitudinal changes in breast tissue. However, progress has been limited by the absence of public datasets and standardized benchmarks. Existing studies are often not directly comparable, as they use private data and inconsistent evaluation frameworks. To address this, we present MGRegBench, a public benchmark dataset for mammogram registration. It comprises over 5,000 image pairs, with 100 containing manual anatomical landmarks and segmentation masks for rigorous evaluation. This makes MGRegBench one of the largest public 2D registration datasets with manual annotations. Using this resource, we benchmarked diverse registration methods including classical (ANTs), learning-based (VoxelMorph, TransMorph), implicit neural representation (IDIR), a classic mammography-specific approach, and a recent state-of-the-art deep learning method MammoRegNet. The implementations were adapted to this modality from the authors' implementations or re-implemented from scratch. Our contributions are: (1) the first public dataset of this scale with manual landmarks and masks for mammography registration; (2) the first like-for-like comparison of diverse methods on this modality; and (3) an extensive analysis of deep learning-based registration. We publicly release our code and data to establish a foundational resource for fair comparisons and catalyze future research. The source code and data are at https://github.com/KourtKardash/MGRegBench.
• Abstract（参考訳）: ロバストマンモグラフィーは、疾患進行の追跡や乳房組織の経時的変化のモニタリングなどの臨床応用に欠かせない。 しかしながら、パブリックデータセットと標準化されたベンチマークがないため、進捗は制限されている。 既存の研究は、プライベートデータや一貫性のない評価フレームワークを使用するため、直接的に比較しないことが多い。 これを解決するために,マンモグラム登録のための公開ベンチマークデータセットであるMGRegBenchを提案する。 5000枚以上のイメージペアで構成され、100枚には手動の解剖学的ランドマークと、厳密な評価のためのセグメンテーションマスクが含まれている。 これにより、MGRegBenchは手作業によるアノテーションを備えた2D登録データセットとして最大である。 このリソースを用いて,古典的(ANT),学習ベース(VoxelMorph,TransMorph),暗黙的ニューラル表現(IDIR),古典的マンモグラフィー固有のアプローチ,最新の最先端ディープラーニング手法であるMammoRegNetなどの多様な登録手法をベンチマークした。 実装は、著者の実装からこのモダリティに適合するか、あるいはスクラッチから再実装された。 筆者らの貢献は,(1)マンモグラフィー登録のための手動ランドマークとマスクを用いたこの尺度の最初の公開データセット,(2)多種多様な方法の比較,(3)深層学習に基づく登録の広範な分析である。 コードとデータを公開して、公正な比較のための基礎的なリソースを確立し、将来の研究を触媒します。 ソースコードとデータはhttps://github.com/KourtKardash/MGRegBench.comにある。

関連論文リスト

• TotalRegistrator: Towards a Lightweight Foundation Model for CT Image Registration [2.7337927055013815]
  TotalRegistratorは、複数の解剖学的領域を同時に調整できる画像登録フレームワークである。 モデルは軽量で、トレーニングにはわずか11GBのGPUメモリを必要とする。
  論文  参考訳（メタデータ） (2025-08-06T13:50:27Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• Masked Image Modeling: A Survey [73.21154550957898]
  マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。 我々は近年,分類学を構築し,最も顕著な論文をレビューしている。 我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
  論文  参考訳（メタデータ） (2024-08-13T07:27:02Z)
• MambaMorph: a Mamba-based Framework for Medical MR-CT Deformable Registration [14.342557328320838]
  我々は,新しい多モード変形可能な登録フレームワークであるMambaMorphを紹介する。 MambaMorphは、Mambaベースの登録モジュールと、きめ細かい、しかし単純な機能抽出器を使用している。 MambaMorphは,登録精度の観点から,現在最先端の学習ベース登録法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-01-25T04:16:45Z)
• MAPSeg: Unified Unsupervised Domain Adaptation for Heterogeneous Medical Image Segmentation Based on 3D Masked Autoencoding and Pseudo-Labeling [20.670991588754884]
  Masked Autoencoding and Pseudo-Labeling (MAPSeg) は医療画像セグメンテーションのための$textbfunified$ UDAフレームワークである。 MAPSegは、$textbfcentralized$, $textbffederated$, $textbftest-time$ UDAに適用できる最初のフレームワークである。 我々は、MAPSegを、プライベート幼児脳MRIデータセットとパブリック心臓CT-MRIデータセットの最先端手法と比較し、MAPSegは大規模で他者より優れる。
  論文  参考訳（メタデータ） (2023-03-16T15:01:50Z)
• Deep learning based registration using spatial gradients and noisy segmentation labels [52.78503776563559]
  ディープラーニングベースのアプローチは、高速かつ実行可能な登録戦略を提供することで、非常に人気を博しました。 我々の研究は(i)対称な定式化に依存し、ソースからターゲットへの変換とターゲットからソースへの変換を同時に予測し、訓練された表現を類似させる。 本手法では,タスク3では0.64ドル,テスト4では0.85ドルの平均ダイスを報告し,3位となった。
  論文  参考訳（メタデータ） (2020-10-21T11:08:45Z)
• Do Public Datasets Assure Unbiased Comparisons for Registration Evaluation? [96.53940048041248]
  画像誘導神経外科医の登録をベンチマークするために、2つのデータセットで手動で注釈付けされたランドマークをスクリーニングするために、ヴァリグラムを使用します。 Variograms を用いて, 潜在的に有意な症例を同定し, 経験者により検討した。
  論文  参考訳（メタデータ） (2020-03-20T20:04:47Z)

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。