論文の概要: Zero-shot Multi-Contrast Brain MRI Registration by Intensity Randomizing T1-weighted MRI (LUMIR25)

• arxiv url: http://arxiv.org/abs/2602.06292v1
• Date: Fri, 06 Feb 2026 01:17:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.178954
• Title: Zero-shot Multi-Contrast Brain MRI Registration by Intensity Randomizing T1-weighted MRI (LUMIR25)
• Title（参考訳）: 強度ランダム化T1強調MRI(LUMIR25)によるZero-shot Multi-Contrast MRIレジストレーション
• Authors: Hengjie Liu, Yimeng Dou, Di Xu, Xinyi Fu, Dan Ruan, Ke Sheng,
• Abstract要約: 我々はLearner2Reg 2025でLUMIR25チャレンジを提出し、テストセット全体で1位を獲得しました。 今年の課題は、領域シフトによるゼロショット登録(高磁場MRI、病理脳、各種MRIコントラスト)に焦点を当てている。 我々は,T1強調MRIのみを訓練したモデルと多種多様なコントラストで優れた一般化を実現するために,3つの単純かつ効果的な戦略を採用している。
• 参考スコア（独自算出の注目度）: 9.111478367494433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we summarize the methods and results of our submission to the LUMIR25 challenge in Learn2Reg 2025, which achieved 1st place overall on the test set. Extended from LUMIR24, this year's task focuses on zero-shot registration under domain shifts (high-field MRI, pathological brains, and various MRI contrasts), while the training data comprise only in-domain T1-weighted brain MRI. We start with a meticulous analysis of LUMIR24 winners to identify the main contributors to good monomodal registration performance. To achieve good generalization with diverse contrasts from a model trained with T1-weighted MRI only, we employ three simple but effective strategies: (i) a multimodal loss based on the modality-independent neighborhood descriptor (MIND), (ii) intensity randomization for appearance augmentation, and (iii) lightweight instance-specific optimization (ISO) on feature encoders at inference time. On the validation set, our approach achieves reasonable T1-T2 registration accuracy while maintaining good deformation regularity.
• Abstract（参考訳）: 本稿では,Learner2Reg 2025におけるLUMIR25チャレンジへの提案の方法と成果をまとめた。 LUMIR24から拡張された今年のタスクは、ドメインシフト(高磁場MRI、病理脳、および様々なMRIコントラスト)下でのゼロショット登録に焦点を当て、トレーニングデータは、ドメイン内T1強調脳MRIのみで構成されている。 まず、LUMIR24の勝者の厳密な分析から始め、モノモーダル登録のパフォーマンス向上に寄与する主な貢献者を同定する。 T1強調MRIのみを訓練したモデルと多種多様なコントラストで優れた一般化を実現するために、我々は3つの単純かつ効果的な戦略を採用している。 一 モダリティ非依存地区記述子(MIND)に基づくマルチモーダル損失 (二)外見増強のための強度ランダム化、及び 3) 推論時の特徴エンコーダに対する軽量なインスタンス固有最適化(ISO)。 本手法は, 良好な変形正則性を維持しつつ, 妥当なT1-T2登録精度を実現する。

関連論文リスト

• Self-Supervised Weighted Image Guided Quantitative MRI Super-Resolution [0.4757311250629737]
  高分解能 (HR) 定量MRI (qMRI) は, 目的組織の特徴を呈するが, 長期の取得により臨床利用が困難である。 我々は,日常的に取得されたHR強調MRI(wMRI)スキャンをガイダンスとして用いた,qMRI超解像のための物理インフォームド自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-19T14:15:31Z)
• The Brain Resection Multimodal Image Registration (ReMIND2Reg) 2025 Challenge [42.51640997446028]
  ReMIND2Reg 2025 Challengeは、ReMINDデータセットに基づいて構築された、このタスクのための最大の公開ベンチマークを提供する。 99のトレーニングケース、5のバリデーションケース、10のプライベートテストケースがペアの3D ceT1 MRI、T2 MRI、そして術後3D iUSボリュームで構成されている。 データはトレーニングのためのアノテーションなしで提供され、検証とテストのパフォーマンスは手動で注釈付けされた解剖学的ランドマークで評価される。
  論文  参考訳（メタデータ） (2025-08-13T09:31:06Z)
• Large-scale Multi-sequence Pretraining for Generalizable MRI Analysis in Versatile Clinical Applications [15.846703688846086]
  本研究では,大規模MultI-Sequence MRIを用いた基礎モデルであるPRISMを提案する。 本稿では,MRIの配列特異的な変化から解剖学的に不変な特徴を引き離す新しい事前訓練パラダイムを提案する。 PRISMは、非事前のモデルと既存の基礎モデルの両方を一貫して上回った。
  論文  参考訳（メタデータ） (2025-08-10T03:31:46Z)
• A 3D Cross-modal Keypoint Descriptor for MR-US Matching and Registration [0.053801353100098995]
  術前MRIへのリアルタイム超音波の術中登録は未解決の課題である。 我々はMRI-iUSマッチングと登録のための新しい3Dクロスモーダルキーポイント記述子を提案する。 本手法は, 術前MRIから合成iUS量を生成する患者固有のマッチング・バイ・シンセシス法を用いている。
  論文  参考訳（メタデータ） (2025-07-24T16:19:08Z)
• Beyond the LUMIR challenge: The pathway to foundational registration models [25.05315856123745]
  LUMIR(Large-scale Unsupervised Brain MRI Image Registration)は、非教師なし脳MRI登録の評価と進歩を目的とした次世代ベンチマークである。 LUMIRは、ラベルマップなしでトレーニングするための4000以上の前処理されたT1強調脳MRIを提供し、生物学的に妥当な変形モデリングを促進する。 被験者は1,158名、画像ペアは4,000名以上であった。
  論文  参考訳（メタデータ） (2025-05-30T03:07:58Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• 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)
• Fast T2w/FLAIR MRI Acquisition by Optimal Sampling of Information Complementary to Pre-acquired T1w MRI [52.656075914042155]
  本稿では,MRIによる他のモダリティ獲得のためのアンダーサンプリングパターンを最適化するための反復的フレームワークを提案する。 公開データセット上で学習したアンダーサンプリングパターンの優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-11-11T04:04:48Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。