論文の概要: LDRNet: Large Deformation Registration Model for Chest CT Registration

• arxiv url: http://arxiv.org/abs/2602.01812v1
• Date: Mon, 02 Feb 2026 08:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.015676
• Title: LDRNet: Large Deformation Registration Model for Chest CT Registration
• Title（参考訳）: LDRNet:胸部CT登録のための大変形登録モデル
• Authors: Cheng Wang, Qiyu Gao, Fandong Zhang, Shu Zhang, Yizhou Yu,
• Abstract要約: 胸部CT画像の大規模な変形画像登録のための高速な教師なし深層学習手法 LDRNet を提案する。 まず、粗い解像度登録フィールドを予測し、粗い値から細かい値に精製する。 以上の結果から,大規模な変形画像の登録における最先端性能が得られ,より高速であることが示唆された。
• 参考スコア（独自算出の注目度）: 39.220300242814915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most of the deep learning based medical image registration algorithms focus on brain image registration tasks.Compared with brain registration, the chest CT registration has larger deformation, more complex background and region over-lap. In this paper, we propose a fast unsupervised deep learning method, LDRNet, for large deformation image registration of chest CT images. We first predict a coarse resolution registration field, then refine it from coarse to fine. We propose two innovative technical components: 1) a refine block that is used to refine the registration field in different resolutions, 2) a rigid block that is used to learn transformation matrix from high-level features. We train and evaluate our model on the private dataset and public dataset SegTHOR. We compare our performance with state-of-the-art traditional registration methods as well as deep learning registration models VoxelMorph, RCN, and LapIRN. The results demonstrate that our model achieves state-of-the-art performance for large deformation images registration and is much faster.
• Abstract（参考訳）: 深層学習に基づく医用画像登録アルゴリズムのほとんどは脳画像登録作業に重点を置いており、脳画像登録と比べ、胸部CT登録はより大きな変形、より複雑な背景、領域オーバーラップを有する。 本稿では,胸部CT画像の大規模変形画像登録のための高速非教師付き深層学習手法 LDRNet を提案する。 まず、粗い解像度登録フィールドを予測し、粗い値から細かな値に精製する。 革新的な技術要素を2つ提案する。 1) 異なる解像度で登録分野を精錬するために使用される精錬ブロック 2) 高次特徴量から変換行列を学習するために用いられる剛ブロック。 我々は、プライベートデータセットとパブリックデータセットSegTHORでモデルをトレーニングし、評価する。 我々は,最先端の従来型登録手法や,VoxelMorph,RCN,LapIRNといったディープラーニング登録モデルとの比較を行った。 以上の結果から,大規模な変形画像の登録における最先端性能が得られ,より高速であることが示唆された。

関連論文リスト

• Non-iterative Coarse-to-fine Registration based on Single-pass Deep Cumulative Learning [11.795108660250843]
  変形可能な画像登録のための非Iterative Coarse-to-finE登録ネットワーク(NICE-Net)を提案する。 NICE-Netは、非イテレーティブメソッドと同じようなランタイムしか必要とせず、最先端の反復的な深層登録手法より優れている。
  論文  参考訳（メタデータ） (2022-06-25T08:34:59Z)
• LiftReg: Limited Angle 2D/3D Deformable Registration [19.12088133321274]
  2D/3Dデフォルマブル登録方式であるLiftRegを提案する。 デジタル再構成ラジオグラフィ(DRR)とCT画像ペアを用いて訓練する。 シミュレーショントレーニングデータを使用することで、LiftRegは高品質なCT-CT画像類似度測定を使用することができる。
  論文  参考訳（メタデータ） (2022-03-10T00:32:45Z)
• Deformable Image Registration with Deep Network Priors: a Study on Longitudinal PET Images [0.5949967357689445]
  本稿では,Deep Image Priorに触発されて,画像登録問題に取り組むためのレギュレータとして,Deep Architectureの異なる利用法を提案する。 変形場を制約する先行モデルである深層ピラミッド構造に頼って,MIRRBAと呼ばれる対象固有の変形可能な登録手法を提案する。 深層建築の正規化力を実証し,登録のための深層学習手法におけるアーキテクチャの役割を理解するための新しい要素を提示する。
  論文  参考訳（メタデータ） (2021-11-22T10:58:14Z)
• 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)
• CAR-Net: Unsupervised Co-Attention Guided Registration Network for Joint Registration and Structure Learning [73.03885837923599]
  我々は,新しい深層学習ネットワークCAR-Net(Co-Attention Guided Registration Network)を提案する。 CAR-Netはコアテンションブロックを用いて入力の新しい表現を学習し、固定画像と移動画像の登録を駆動する。 イギリスバイオバンクの心臓磁気共鳴画像データを用いた実験により、CAR-Netは最先端の教師なし登録法よりも高い登録精度とスムーズな変形場が得られることが示された。
  論文  参考訳（メタデータ） (2021-06-11T23:25:49Z)
• Learning a Model-Driven Variational Network for Deformable Image Registration [89.9830129923847]
  VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。 登録精度において最先端のディープラーニング手法よりも優れています。 ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
  論文  参考訳（メタデータ） (2021-05-25T21:37:37Z)
• Test-Time Training for Deformable Multi-Scale Image Registration [15.523457398508263]
  VoxelMorphのようなディープラーニングベースの登録アプローチが出現し、競争パフォーマンスを達成しています。 従来の学習型登録モデルの一般化能力を向上させるために, デフォーマブル画像登録のためのテストタイムトレーニングを構築した。
  論文  参考訳（メタデータ） (2021-03-25T03:22:59Z)
• An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
  本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。 本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。 現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-05-19T06:00:13Z)
• 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。