論文の概要: Multimodal Diffeomorphic Registration with Neural ODEs and Structural Descriptors

• arxiv url: http://arxiv.org/abs/2512.22689v1
• Date: Sat, 27 Dec 2025 19:38:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.178462
• Title: Multimodal Diffeomorphic Registration with Neural ODEs and Structural Descriptors
• Title（参考訳）: ニューラルネットワークと構造記述子を用いた多モード拡散型レジストレーション
• Authors: Salvador Rodriguez-Sanz, Monica Hernandez,
• Abstract要約: ニューラル正規微分方程式を用いた多モード微分型登録法(ニューラルモード) 非剛性登録アルゴリズムは、その精度、変形モデルの計算複雑性、および適切な正規化の間のトレードオフを示す。 本稿では,トレーニングにおいて高いスキャン要求を満たさず,トレーニング中に見つからないモダリティの推測時に劣化することのない,インスタンス固有のフレームワークを提案する。
• 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: This work proposes a multimodal diffeomorphic registration method using Neural Ordinary Differential Equations (Neural ODEs). Nonrigid registration algorithms exhibit tradeoffs between their accuracy, the computational complexity of their deformation model, and its proper regularization. In addition, they also assume intensity correlation in anatomically homologous regions of interest among image pairs, limiting their applicability to the monomodal setting. Unlike learning-based models, we propose an instance-specific framework that is not subject to high scan requirements for training and does not suffer performance degradation at inference time on modalities unseen during training. Our method exploits the potential of continuous-depth networks in the Neural ODE paradigm with structural descriptors, widely adopted as modality-agnostic metric models which exploit self-similarities on parameterized neighborhood geometries. We propose three different variants that integrate image-based or feature-based structural descriptors and nonstructural image similarities computed by local mutual information. We conduct extensive evaluations on different experiments formed by scan dataset combinations and show surpassing qualitative and quantitative results compared to state-of-the-art baselines adequate for large or small deformations, and specific of multimodal registration. Lastly, we also demonstrate the underlying robustness of the proposed framework to varying levels of explicit regularization while maintaining low error, its suitability for registration at varying scales, and its efficiency with respect to other methods targeted to large-deformation registration.
• Abstract（参考訳）: 本研究では,ニューラル正規微分方程式(Neural Ordinary Differential Equations,Neural ODEs)を用いた多モード微分型登録法を提案する。 非剛性登録アルゴリズムは、その精度、変形モデルの計算複雑性、および適切な正規化の間のトレードオフを示す。 さらに、画像ペア間の解剖学的にホモロジーな関心領域の強度相関を仮定し、モノモーダル設定の適用性を制限する。 学習ベースモデルとは違って,学習において高いスキャン要求を満たさず,トレーニング中に見つからないモダリティの推論時に性能劣化を生じない,インスタンス固有のフレームワークを提案する。 提案手法は, パラメータ化された近傍空間における自己相似性を利用するモダリティ非依存距離モデルとして広く採用されている, 構造記述子を用いたニューラルODEパラダイムにおける連続深度ネットワークの可能性を利用する。 画像ベースまたは特徴ベースの構造記述子と、局所的な相互情報によって計算される非構造的画像類似性を統合する3つの異なる変種を提案する。 我々は,データセットの組み合わせをスキャンし,大小の変形に適する最先端のベースラインと比較し,定性的かつ定量的な結果を示す実験を幅広く実施し,マルチモーダル登録の特質について検討した。 最後に,提案手法の基盤となるロバスト性について,低誤差を維持しながら明示的正則化のレベルを変えつつ,様々なスケールでの登録に適合することを示す。

関連論文リスト

• Connecting Neural Models Latent Geometries with Relative Geodesic Representations [21.71782603770616]
  遅延構造を異なる潜在空間間で共有する場合、表現間の相対距離を歪みまで保存できることが示される。 異なるニューラルモデルは、ほぼ同じ基礎多様体をパラメータ化し、プルバック計量に基づく表現を導入すると仮定する。 本手法は,オートエンコーダと視覚基盤識別モデルを対象として,モデルの縫合と検索のタスクについて検証する。
  論文  参考訳（メタデータ） (2025-06-02T12:34:55Z)
• 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)
• DISA: DIfferentiable Similarity Approximation for Universal Multimodal Registration [39.44133108254786]
  表現力のあるクロスモーダル記述子を作成するための汎用フレームワークを提案する。 私たちは、小さな畳み込みニューラルネットワークの特徴空間において、既存のメトリクスをドット積で近似することで、これを実現する。 本手法は局所的なパッチベースの指標よりも数桁高速であり,臨床現場で直接適用することができる。
  論文  参考訳（メタデータ） (2023-07-19T12:12:17Z)
• Federated Variational Inference Methods for Structured Latent Variable Models [1.0312968200748118]
  フェデレートされた学習方法は、データが元の場所を離れることなく、分散データソースをまたいだモデルトレーニングを可能にする。 本稿では,ベイズ機械学習において広く用いられている構造的変分推論に基づく汎用的でエレガントな解を提案する。 また、標準FedAvgアルゴリズムに類似した通信効率のよい変種も提供する。
  論文  参考訳（メタデータ） (2023-02-07T08:35:04Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• 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。