論文の概要: Unsupervised MRI-US Multimodal Image Registration with Multilevel Correlation Pyramidal Optimization
- arxiv url: http://arxiv.org/abs/2602.06288v1
- Date: Fri, 06 Feb 2026 01:03:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-09 22:18:26.175911
- Title: Unsupervised MRI-US Multimodal Image Registration with Multilevel Correlation Pyramidal Optimization
- Title（参考訳）: 多値相関ピラミッド最適化を用いたMRI-USマルチモーダル画像レジストレーション
- Authors: Jiazheng Wang, Zeyu Liu, Min Liu, Xiang Chen, Hang Zhang,
- Abstract要約: マルチレベル相関ピラミッド最適化(MCPO)に基づく教師なしマルチモーダル医用画像登録手法を提案する。
提案手法は,ReMIND2Regの検証フェーズとテストフェーズにおける第1位を達成する。
本手法が術前から術中画像登録に広く適用可能であることを示す。
- 参考スコア（独自算出の注目度）: 14.509109797489499
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surgical navigation based on multimodal image registration has played a significant role in providing intraoperative guidance to surgeons by showing the relative position of the target area to critical anatomical structures during surgery. However, due to the differences between multimodal images and intraoperative image deformation caused by tissue displacement and removal during the surgery, effective registration of preoperative and intraoperative multimodal images faces significant challenges. To address the multimodal image registration challenges in Learn2Reg 2025, an unsupervised multimodal medical image registration method based on multilevel correlation pyramidal optimization (MCPO) is designed to solve these problems. First, the features of each modality are extracted based on the modality independent neighborhood descriptor, and the multimodal images is mapped to the feature space. Second, a multilevel pyramidal fusion optimization mechanism is designed to achieve global optimization and local detail complementation of the displacement field through dense correlation analysis and weight-balanced coupled convex optimization for input features at different scales. Our method focuses on the ReMIND2Reg task in Learn2Reg 2025. Based on the results, our method achieved the first place in the validation phase and test phase of ReMIND2Reg. The MCPO is also validated on the Resect dataset, achieving an average TRE of 1.798 mm. This demonstrates the broad applicability of our method in preoperative-to-intraoperative image registration. The code is avaliable at https://github.com/wjiazheng/MCPO.
- Abstract（参考訳）: 多モーダル画像登録に基づく手術ナビゲーションは,術中における標的領域の相対的な位置を重要な解剖学的構造に示すことにより,外科医に術中指導を提供する上で重要な役割を担っている。
しかし, 術中の組織変位と除去による術中画像の変形とマルチモーダル画像の違いにより, 術中および術中マルチモーダル画像の有効登録は大きな課題に直面した。
Learn2Reg 2025のマルチモーダル画像登録問題に対処するために,MCPO(Multilevel correlation pyramidal optimization)に基づく教師なしマルチモーダル医用画像登録手法を設計した。
まず、モダリティ独立近所記述子に基づいて各モダリティの特徴を抽出し、その特徴空間にマルチモーダル画像をマッピングする。
第二に,多段階のピラミッド融合最適化機構は,重み付き相関解析と重み付き結合凸最適化により,大域的最適化と局所的な変位場補間を実現するように設計されている。
本研究では,Learner2Reg 2025におけるReMIND2Regタスクに着目した。
その結果から,本手法はReMIND2Regの検証フェーズと試験フェーズにおいて第1位を達成できた。
MCPOはResectデータセットでも検証されており、平均TREは1.798mmである。
本手法が術前から術中画像登録に広く適用可能であることを示す。
コードはhttps://github.com/wjiazheng/MCPOで検証可能である。
関連論文リスト
- IMPACT: A Generic Semantic Loss for Multimodal Medical Image Registration [0.46904601975060667]
IMPACT (Image Metric with Pretrained Model-Agnostic Comparison for Transmodality registration) は、マルチモーダル画像登録のための新しい類似度尺度である。
大規模事前訓練セグメンテーションモデルから抽出した深い特徴の比較に基づいて意味的類似度尺度を定義する。
胸椎CT/CBCTおよび骨盤MR/CTデータセットを含む5つの難易度3次元登録課題について検討した。
論文 参考訳（メタデータ） (2025-03-31T14:08:21Z) - Unsupervised Multimodal 3D Medical Image Registration with Multilevel Correlation Balanced Optimization [22.633633605566214]
マルチレベル相関バランス最適化に基づく教師なしマルチモーダル医用画像登録手法を提案する。
異なるモードの術前医療画像に対して、変形場間の最大融合により有効な情報のアライメントと積み重ねを実現する。
論文 参考訳（メタデータ） (2024-09-08T09:38:59Z) - Weakly supervised alignment and registration of MR-CT for cervical cancer radiotherapy [9.060365057476133]
子宮頸癌は女性の死因の1つである。
予備的な空間アライメントアルゴリズムと弱教師付きマルチモーダル登録ネットワークを提案する。
論文 参考訳（メタデータ） (2024-05-21T15:05:51Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [66.89632406480949]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳（メタデータ） (2021-10-15T13:16:59Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Unsupervised Multimodal Image Registration with Adaptative Gradient
Guidance [23.461130560414805]
教師なし学習に基づく手法は、変形可能な画像登録における精度と効率よりも有望な性能を示す。
既存の手法の予測変形場は、登録済み画像対に完全に依存する。
両モデルから推定される変形場を利用する新しい多モード登録フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-12T05:47:20Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。