論文の概要: FMIR, a foundation model-based Image Registration Framework for Robust Image Registration

• arxiv url: http://arxiv.org/abs/2601.17529v1
• Date: Sat, 24 Jan 2026 17:05:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.903916
• Title: FMIR, a foundation model-based Image Registration Framework for Robust Image Registration
• Title（参考訳）: FMIR - ロバスト画像登録のための基盤モデルに基づく画像登録フレームワーク
• Authors: Fengting Zhang, Yue He, Qinghao Liu, Yaonan Wang, Xiang Chen, Hang Zhang,
• Abstract要約: 基礎モデルに基づく登録フレームワークFMIRを紹介する。 ドメイン内画像のロバストな登録を維持しつつ、ドメイン内での最先端(SOTA)パフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 36.63852459679591
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep learning has revolutionized medical image registration by achieving unprecedented speeds, yet its clinical application is hindered by a limited ability to generalize beyond the training domain, a critical weakness given the typically small scale of medical datasets. In this paper, we introduce FMIR, a foundation model-based registration framework that overcomes this limitation.Combining a foundation model-based feature encoder for extracting anatomical structures with a general registration head, and trained with a channel regularization strategy on just a single dataset, FMIR achieves state-of-the-art(SOTA) in-domain performance while maintaining robust registration on out-of-domain images.Our approach demonstrates a viable path toward building generalizable medical imaging foundation models with limited resources. The code is available at https://github.com/Monday0328/FMIR.git.
• Abstract（参考訳）: 深層学習は前例のない速さで医用画像登録に革命をもたらしたが、その臨床応用は訓練領域を超えて一般化する限られた能力によって妨げられている。 本稿では,この制限を克服する基盤モデルに基づく登録フレームワークであるFMIRを紹介する。本手法では,汎用的な医用画像基盤モデルを構築するための,基盤モデルに基づく特徴エンコーダを汎用登録ヘッドで抽出し,単一データセット上でチャネル正規化戦略を訓練することにより,ドメイン内性能を向上しつつ,領域外画像の堅牢な登録を維持しつつ,ドメイン内パフォーマンスを実現する。 コードはhttps://github.com/Monday0328/FMIR.gitで入手できる。

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)
• Are Vision Foundation Models Ready for Out-of-the-Box Medical Image Registration? [2.2269713828088054]
  大規模な画像データセットで事前トレーニングされたファンデーションモデルは、最近ゼロショット画像登録の可能性を示している。 患者の解剖学的変化が著しいため,特に乳房MRIの登録は困難である。 ドメイン固有のトレーニングが登録にどのように影響するかを理解し、グローバルアライメントと微細構造精度の両方を改善する戦略を検討するためには、さらなる作業が必要である。
  論文  参考訳（メタデータ） (2025-07-15T00:17:14Z)
• Improving Generalization of Medical Image Registration Foundation Model [12.144724550118756]
  本稿では,医療画像登録における一般化と堅牢性を高めるため,シャープネス・アウェアの最小化を基礎モデルに組み込む。 実験結果から,SAMと統合された基礎モデルにより,データセット間の登録性能が大幅に向上することが確認された。
  論文  参考訳（メタデータ） (2025-05-10T06:14:09Z)
• Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
  我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。 トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。 最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
  論文  参考訳（メタデータ） (2024-12-20T17:33:35Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• 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 Registration of Medical Images with Anatomical Constraints [4.397224870979238]
  医用画像解析の分野では、変形可能な画像登録が根本的な問題である。 我々は,画像解剖学のグローバルな非線形表現をセグメンテーションマスクを用いて学習し,それらを用いて登録プロセスの制約を行う。 実験により,提案した解剖学的制約付き登録モデルにより,最先端の手法よりも現実的で正確な結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-01-20T17:44:11Z)

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。