論文の概要: Unified Brain Surface and Volume Registration

• arxiv url: http://arxiv.org/abs/2512.19928v1
• Date: Mon, 22 Dec 2025 23:05:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 19:17:49.686556
• Title: Unified Brain Surface and Volume Registration
• Title（参考訳）: 統一脳表面とボリューム登録
• Authors: S. Mazdak Abulnaga, Andrew Hoopes, Malte Hoffmann, Robin Magnet, Maks Ovsjanikov, Lilla Zöllei, John Guttag, Bruce Fischl, Adrian Dalca,
• Abstract要約: NeurAlignは脳MRI画像を3ドルで登録し、皮質と皮質下の両方の領域を共同で調整する。 本手法は,古典的および機械学習に基づく登録方法よりも一貫して優れている。 より優れた精度、高速な推測、使いやすさにより、NeurAlignは関節皮質および皮質下登録の新しい標準を設定している。
• 参考スコア（独自算出の注目度）: 27.427968036901678
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate registration of brain MRI scans is fundamental for cross-subject analysis in neuroscientific studies. This involves aligning both the cortical surface of the brain and the interior volume. Traditional methods treat volumetric and surface-based registration separately, which often leads to inconsistencies that limit downstream analyses. We propose a deep learning framework, NeurAlign, that registers $3$D brain MRI images by jointly aligning both cortical and subcortical regions through a unified volume-and-surface-based representation. Our approach leverages an intermediate spherical coordinate space to bridge anatomical surface topology with volumetric anatomy, enabling consistent and anatomically accurate alignment. By integrating spherical registration into the learning, our method ensures geometric coherence between volume and surface domains. In a series of experiments on both in-domain and out-of-domain datasets, our method consistently outperforms both classical and machine learning-based registration methods -- improving the Dice score by up to 7 points while maintaining regular deformation fields. Additionally, it is orders of magnitude faster than the standard method for this task, and is simpler to use because it requires no additional inputs beyond an MRI scan. With its superior accuracy, fast inference, and ease of use, NeurAlign sets a new standard for joint cortical and subcortical registration.
• Abstract（参考訳）: 脳MRIスキャンの正確な登録は、神経科学研究におけるクロスオブジェクト分析の基礎となる。 これは、脳の皮質表面と内体積の両方を調整することを含む。 従来の方法は、ボリュームと表面ベースの登録を別々に扱い、しばしば下流の分析を制限する不整合を引き起こす。 深層学習フレームワークNeurAlignを提案する。脳MRI画像は3ドル(約3,300円)で、大脳皮質と皮質下皮質の両方の領域を統一された体積と表面の表現で整列する。 提案手法は, 中間球面座標空間を利用して, 解剖学的表面トポロジーを体積解剖学でブリッジし, 整合性および解剖学的に正確なアライメントを可能にする。 本手法は球面登録を学習に組み込むことで,体積領域と表面領域との幾何的コヒーレンスを確保する。 ドメイン内およびドメイン外両方のデータセットに関する一連の実験において、我々の手法は古典的および機械学習ベースの登録方法よりも一貫して優れており、通常の変形フィールドを維持しながら、Diceのスコアを最大7ポイント改善している。 さらに、このタスクの標準メソッドよりも桁違いに高速で、MRIスキャン以外の追加入力を必要としないため、使いやすくなっている。 より優れた精度、高速な推論、使いやすさにより、NeurAlignは関節皮質および皮質下登録の新しい標準を設定している。

関連論文リスト

• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• JOSA: Joint surface-based registration and atlas construction of brain geometry and function [10.584603337042532]
  JOSAは、幾何学と関数のミスマッチを共同でモデル化する、新しい皮質登録フレームワークである。 幾何と関数の両方において最先端の手法よりも優れた登録性能を実現するが、推論時に関数データを必要としない。 脳構造と機能の共同解析を用いた登録手法の今後の発展に関する新たな知見を提供する。
  論文  参考訳（メタデータ） (2023-10-22T02:16:48Z)
• TractCloud: Registration-free tractography parcellation with a novel local-global streamline point cloud representation [63.842881844791094]
  現在のトラクトグラフィーのパーセレーション法は登録に大きく依存しているが、登録の不正確さはパーセレーションに影響を及ぼす可能性がある。 我々は,個別の主題空間で直接,脳全体のトラクトログラフィ解析を行う,登録不要のフレームワークであるTractCloudを提案する。
  論文  参考訳（メタデータ） (2023-07-18T06:35:12Z)
• 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)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Joint cortical registration of geometry and function using semi-supervised learning [10.584603337042534]
  我々は,最適なアトラスを学習しながら,折り畳みパターンと関数マップを協調的に整列する学習ベースの皮質登録フレームワークJOSAを紹介する。 JOSAは既存手法よりも解剖学的・機能的ドメインの登録性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-03-02T21:31:35Z)
• Improved Segmentation of Deep Sulci in Cortical Gray Matter Using a Deep Learning Framework Incorporating Laplace's Equation [10.416464319867881]
  本研究では, 学習過程において, 大脳皮質の形状に関する事前知識をネットワークに組み込む, 深層学習に基づく新しい皮質分割法を提案する。 提案手法は,定量的かつ定性的に,ベースラインセグメンテーションネットワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-01T19:48:45Z)
• 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-Discrete Learning Framework for Spherical Surface Registration [4.7633236054762875]
  皮質表面の登録は神経画像解析の基本的なツールである。 本稿では,登録を多ラベル分類問題に変換する,教師なし学習に基づく新しいフレームワークを提案する。 実験により,提案するフレームワークは,最もポピュラーな古典的表面登録アルゴリズムと比較して,類似性やアラル歪みの点で競合的に動作することが示された。
  論文  参考訳（メタデータ） (2022-03-24T11:47:11Z)

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。