論文の概要: Attention-Driven Framework for Non-Rigid Medical Image Registration

• arxiv url: http://arxiv.org/abs/2602.07088v1
• Date: Fri, 06 Feb 2026 09:23:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.438418
• Title: Attention-Driven Framework for Non-Rigid Medical Image Registration
• Title（参考訳）: 非デジタル医用画像登録のための注意駆動型フレームワーク
• Authors: Muhammad Zafar Iqbal, Ghazanfar Farooq Siddiqui, Anwar Ul Haq, Imran Razzak,
• Abstract要約: 非デジタル医用画像登録のための新しい注意駆動フレームワーク(AD-RegNet)を提案する。 提案手法は3次元UNetバックボーンと双方向のクロスアテンションを組み合わせることで,動画像と固定画像との対応関係を複数スケールで確立する。 提案手法は,登録精度と計算効率のバランスを良好に保ち,臨床応用に適している。
• 参考スコア（独自算出の注目度）: 15.540035635369504
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deformable medical image registration is a fundamental task in medical image analysis with applications in disease diagnosis, treatment planning, and image-guided interventions. Despite significant advances in deep learning based registration methods, accurately aligning images with large deformations while preserving anatomical plausibility remains a challenging task. In this paper, we propose a novel Attention-Driven Framework for Non-Rigid Medical Image Registration (AD-RegNet) that employs attention mechanisms to guide the registration process. Our approach combines a 3D UNet backbone with bidirectional cross-attention, which establishes correspondences between moving and fixed images at multiple scales. We introduce a regional adaptive attention mechanism that focuses on anatomically relevant structures, along with a multi-resolution deformation field synthesis approach for accurate alignment. The method is evaluated on two distinct datasets: DIRLab for thoracic 4D CT scans and IXI for brain MRI scans, demonstrating its versatility across different anatomical structures and imaging modalities. Experimental results demonstrate that our approach achieves performance competitive with state-of-the-art methods on the IXI and DIRLab datasets. The proposed method maintains a favorable balance between registration accuracy and computational efficiency, making it suitable for clinical applications. A comprehensive evaluation using normalized cross-correlation (NCC), mean squared error (MSE), structural similarity (SSIM), Jacobian determinant, and target registration error (TRE) indicates that attention-guided registration improves alignment accuracy while ensuring anatomically plausible deformations.
• Abstract（参考訳）: 変形可能な医用画像登録は、疾患診断、治療計画、および画像誘導的介入における医療画像解析の基本的な課題である。 深層学習に基づく登録法が大幅に進歩したにもかかわらず、画像と大きな変形を正確に整合させながら、解剖学的妥当性を維持することは難しい課題である。 本稿では,AD-RegNet(Attention-Driven Framework for Non-Rigid Medical Image Registration)を提案する。 提案手法は3次元UNetバックボーンと双方向のクロスアテンションを組み合わせることで,動画像と固定画像との対応関係を複数スケールで確立する。 本稿では,解剖学的に関係する構造に着目した局所適応型アダプティブアテンション機構と,高精度なアライメントのための多分解能変形場合成手法を提案する。 DIRLab for thoracic 4D CT scans と IXI for brain MRI scans の2つの異なるデータセットで評価され、様々な解剖学的構造と画像モダリティの汎用性を実証した。 実験の結果,本手法はIXIデータセットとDIRLabデータセットの最先端手法との競合性を実証した。 提案手法は,登録精度と計算効率のバランスを良好に保ち,臨床応用に適している。 正規化相互相関(NCC)、平均二乗誤差(MSE)、構造類似性(SSIM)、ヤコビ行列、目標登録誤差(TRE)を用いた総合的な評価は、注意誘導登録が解剖学的に妥当な変形を確保しつつアライメント精度を向上させることを示唆している。

関連論文リスト

• Structure-constrained Language-informed Diffusion Model for Unpaired Low-dose Computed Tomography Angiography Reconstruction [72.80209358480424]
  ヨウ素化コントラスト培地(ICM)の過剰摂取は、腎臓の損傷と致命的なアレルギー反応を引き起こす。 深層学習法は、低線量ICMから正常線量ICMのCT画像を生成することができ、必要な線量を減らすことができる。 本研究では,構造シナジーと空間知性を統合した構造制約型言語情報拡散モデル(SLDM)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T06:54:06Z)
• Unsupervised Deformable Image Registration with Local-Global Attention and Image Decomposition [9.035666469536054]
  変形可能な画像登録は、医療画像解析において重要な技術であり、疾患診断、マルチモーダル核融合、手術ナビゲーションなどの臨床実践に広く応用されている。 近年のディープラーニングの進歩は、特徴整合性を改善するための注意に基づくメカニズムを導入しているが、高い解剖学的多様性を持つ領域を正確に登録することは依然として困難である。 本研究では,新しい非教師付きデフォルマブル画像登録フレームワークであるLGANet++を提案する。このフレームワークは,特徴の相互作用と融合のためのユニークな技術と統合され,登録精度,堅牢性,一般化性を向上する。
  論文  参考訳（メタデータ） (2026-01-20T13:19:13Z)
• 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)
• QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
  医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。 この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。 バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
  論文  参考訳（メタデータ） (2024-03-19T17:57:24Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• 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)
• Unsupervised Image Registration Towards Enhancing Performance and Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
  モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。 本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。 本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
  論文  参考訳（メタデータ） (2022-03-07T12:54:33Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• 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)

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。