論文の概要: Polaffini: A feature-based approach for robust affine and polyaffine image registration

• arxiv url: http://arxiv.org/abs/2602.17337v1
• Date: Thu, 19 Feb 2026 13:08:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:29.035199
• Title: Polaffini: A feature-based approach for robust affine and polyaffine image registration
• Title（参考訳）: Polaffini:ロバストアフィンおよびポリアフィン画像登録のための特徴ベースアプローチ
• Authors: Antoine Legouhy, Cosimo Campo, Ross Callaghan, Hojjat Azadbakht, Hui Zhang,
• Abstract要約: Polaffiniは、解剖学的根拠を持つ登録のための堅牢で汎用的なフレームワークである。 ディープラーニングは、信頼性が高くきめ細かい解剖学的記述を提供することができる、事前訓練されたセグメンテーションモデルを提供する。 Polaffiniはスタンドアロン登録とその後の非線形登録の事前調整の両方を申請している。
• 参考スコア（独自算出の注目度）: 2.8336130858308337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work we present Polaffini, a robust and versatile framework for anatomically grounded registration. Medical image registration is dominated by intensity-based registration methods that rely on surrogate measures of alignment quality. In contrast, feature-based approaches that operate by identifying explicit anatomical correspondences, while more desirable in theory, have largely fallen out of favor due to the challenges of reliably extracting features. However, such challenges are now significantly overcome thanks to recent advances in deep learning, which provide pre-trained segmentation models capable of instantly delivering reliable, fine-grained anatomical delineations. We aim to demonstrate that these advances can be leveraged to create new anatomically-grounded image registration algorithms. To this end, we propose Polaffini, which obtains, from these segmented regions, anatomically grounded feature points with 1-to-1 correspondence in a particularly simple way: extracting their centroids. These enable efficient global and local affine matching via closed-form solutions. Those are used to produce an overall transformation ranging from affine to polyaffine with tunable smoothness. Polyaffine transformations can have many more degrees of freedom than affine ones allowing for finer alignment, and their embedding in the log-Euclidean framework ensures diffeomorphic properties. Polaffini has applications both for standalone registration and as pre-alignment for subsequent non-linear registration, and we evaluate it against popular intensity-based registration techniques. Results demonstrate that Polaffini outperforms competing methods in terms of structural alignment and provides improved initialisation for downstream non-linear registration. Polaffini is fast, robust, and accurate, making it particularly well-suited for integration into medical image processing pipelines.
• Abstract（参考訳）: この論文では、解剖学的根拠を持つ登録のための堅牢で汎用的なフレームワークであるPoaffiniを紹介します。 医用画像の登録は、アライメント品質のサロゲート尺度に依存する強度に基づく登録方法が支配している。 対照的に、明示的な解剖学的対応を識別する機能に基づくアプローチは、理論上より望ましいが、特徴を確実に抽出する難しさにより、ほとんど好ましくない。 しかし、近年のディープラーニングの進歩により、これらの課題は大幅に克服され、これにより、信頼性が高くきめ細かな解剖学的記述を即座に提供できる、事前訓練されたセグメンテーションモデルが提供される。 我々は、これらの進歩を活用して、新しい解剖学的基底画像登録アルゴリズムを作成できることを実証することを目指している。 そこで本研究では,これらのセグメンテーション領域から,1-to-1対応の解剖学的特徴点を特に簡単な方法で抽出するPoaffiniを提案する。 これらは閉形式解による効率的な大域的および局所的なアフィンマッチングを可能にする。 これらは、アフィンからポリアフィンへの、調整可能な滑らかさの全体的な変換に使用される。 ポリアフィン変換はアフィン変換よりも多くの自由度を持ち、より微細なアライメントが可能である。 Polaffiniは、スタンドアロン登録と、その後の非線形登録の事前調整の両方に応用しており、一般的な強度ベース登録技術と比較して評価する。 結果, ポラフィニは構造的アライメントの点で競合する手法より優れており, 下流の非線形登録における初期化が向上していることが示された。 Polaffiniは高速で堅牢で正確で、特に医療用画像処理パイプラインに統合するのに適している。

関連論文リスト

• NFR: Neural Feature-Guided Non-Rigid Shape Registration [1.5677990844097902]
  私たちの重要な洞察は、ディープラーニングベースの形状マッチングネットワークから学んだニューラルネットワーク機能を、反復的で幾何学的な形状登録パイプラインに組み込むことです。 我々のパイプラインは、厳密でない点クラウドマッチングと部分的な形状マッチングのベンチマークで、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-05-28T15:08:49Z)
• POLAFFINI: Efficient feature-based polyaffine initialization for improved non-linear image registration [2.6821469866843435]
  本稿では,非線形画像登録を初期化するための効率的な特徴ベース手法を提案する。 従来の反復アルゴリズムと最近の一発ディープラーニング(DL)ベースの選択肢の両方において、初期変換の優れた見積が不可欠である。
  論文  参考訳（メタデータ） (2024-07-04T13:36:29Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [59.062085785106234]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
  学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。 我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。 提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
  論文  参考訳（メタデータ） (2023-06-26T13:32:09Z)
• 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)
• Affine Medical Image Registration with Coarse-to-Fine Vision Transformer [11.4219428942199]
  本稿では,3次元医用画像登録のための学習ベースアルゴリズムであるCoarse-to-Fine Vision Transformer (C2FViT)を提案する。 本手法は, 登録精度, 堅牢性, 一般化性の観点から, 既存のCNNベースのアフィン登録法よりも優れている。
  論文  参考訳（メタデータ） (2022-03-29T03:18:43Z)
• Multiway Non-rigid Point Cloud Registration via Learned Functional Map Synchronization [105.14877281665011]
  我々は、点雲上に定義された学習関数に関する地図を同期させることにより、複数の非剛体形状を登録する新しい方法であるSyNoRiMを提案する。 提案手法は,登録精度において最先端の性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-11-25T02:37:59Z)
• Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
  本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。 まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。 そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2020-11-25T14:00:18Z)

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。