論文の概要: GLIDE-Reg: Global-to-Local Deformable Registration Using Co-Optimized Foundation and Handcrafted Features
- arxiv url: http://arxiv.org/abs/2603.00218v1
- Date: Fri, 27 Feb 2026 17:19:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.114771
- Title: GLIDE-Reg: Global-to-Local Deformable Registration Using Co-Optimized Foundation and Handcrafted Features
- Title（参考訳）: GLIDE-Reg: 共同最適化基盤と手作り特徴を用いたグローバル・ローカル・デフォルマブル登録
- Authors: Yunzheng Zhu, Aichi Chien, Kimaya kulkarni, Luoting Zhuang, Stephen Park, Ricky Savjani, Daniel Low, William Hsu,
- Abstract要約: 我々は、登録フィールドと学習可能な次元削減モジュールを共同で最適化し、圧縮されたVFM埋め込みが登録関連性を維持する。
GLIDE-Reg は 0.859, 0.862, 0.901 の解剖学的構造に対して平均サイス類似係数 (DSC) を達成する。
目標登録エラーに対して、GLIDE-RegはLung250Mランドマークで1.58mm(corrFieldで1.25mm、DEEDSで1.91mm)を達成した。
- 参考スコア（独自算出の注目度）: 1.3341104532714532
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deformable registration is crucial in medical imaging. Several existing applications include lesion tracking, probabilistic atlas generation, and treatment response evaluation. However, current methods often lack robustness and generalizability across two key factors: spatial resolution and differences in anatomical coverage. We jointly optimize a registration field and a learnable dimensionality reduction module so that compressed VFM embeddings remain registration-relevant, and fuse these global semantic cues with MIND local descriptors. GLIDE-Reg achieves average dice similarity coefficients (DSC) across 6 anatomical structures of 0.859, 0.862, and 0.901 in two public cohorts (Lung250M and NLST) and one institution cohort (UCLA5DCT), and outperforms the state-of-the-art DEEDS (0.834, 0.858, 0.900) with relative improvements of 3.0%, 0.5%, and 0.1%. For target registration errors, GLIDE-Reg achieves 1.58 mm on Lung250M landmarks (compared to 1.25 mm on corrField and 1.91 mm on DEEDS) and 1.11 mm on NLST nodule centers (compared to 1.11 mm on DEEDS). The substantiated performance on the nodule centers also demonstrates its robustness across challenging downstream tasks, such as nodule tracking, which is an essential prior step for early-stage lung cancer diagnosis.
- Abstract（参考訳）: 変形可能な登録は医療画像に欠かせない。
既存の応用としては、病変追跡、確率的アトラス生成、治療反応評価などがある。
しかしながら、現在の手法は、空間分解能と解剖学的カバレッジの違いの2つの主要な要因にまたがって頑健さと一般化性に欠けることが多い。
我々は、登録フィールドと学習可能な次元削減モジュールを共同で最適化し、圧縮されたVFM埋め込みが登録関連性を維持し、これらのグローバルセマンティックキューをMINDローカル記述子と融合させる。
GLIDE-Regは、2つの公的なコホート(Lung250M, NLST)と1つの機関コホート(UCLA5DCT)の6つの解剖学的構造(0.859, 0.862, 0.901)にわたる平均ダイス類似度係数(DSC)を達成し、最先端のDEEDS(0.834, 0.858, 0.900)よりも3.0%, 0.5%, 0.1%向上した。
目標登録ミスでは、GLIDE-RegはLung250Mのランドマークで1.58mm(CrrFieldでは1.25mm、DEEDSでは1.91mm)、NLSTのノードセンターで1.11mm(DEEDSでは1.11mm)を達成している。
結節中心でのサブスタンティファイドパフォーマンスは、早期肺癌の診断に必須の段階である結節追跡など、下流の課題にまたがる堅牢性も示している。
関連論文リスト
- Robust Multicentre Detection and Classification of Colorectal Liver Metastases on CT: Application of Foundation Models [11.274035647041762]
我々は,CT上のCRLMの患者レベル分類と病変レベル検出のための基礎モデルに基づくAIパイプラインを開発した。
UMedPTは最高の成績を示し,分類用頭部と病変検出用FCOSベースの頭部を微調整した。
論文 参考訳（メタデータ） (2026-01-12T14:35:29Z) - Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。
入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
論文 参考訳（メタデータ） (2026-01-07T23:35:24Z) - MSRANetV2: An Explainable Deep Learning Architecture for Multi-class Classification of Colorectal Histopathological Images [3.4859776888706233]
大腸癌(CRC)は、世界中のがん関連死亡率の高い疾患である。
ディープラーニングアルゴリズムは、診断精度と効率を高めるための強力なアプローチとなっている。
大腸組織像の分類に最適化されたMSRANetV2という畳み込みニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-10-28T07:22:34Z) - DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。
マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。
本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文 参考訳（メタデータ） (2025-10-16T07:31:21Z) - Lightweight MRI-Based Automated Segmentation of Pancreatic Cancer with Auto3DSeg [0.0]
SegResNetモデルは、2025年のPANTHER Challengeの一環として、2つのMRIベースの膵腫瘍セグメンテーションタスクで訓練され、評価された。
性能はやや低かったが, 自動デライン化の可能性を示した。
論文 参考訳（メタデータ） (2025-08-28T21:38:06Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - 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) - Explainable Anatomy-Guided AI for Prostate MRI: Foundation Models and In Silico Clinical Trials for Virtual Biopsy-based Risk Assessment [3.5408411348831232]
MRIによる前立腺癌(PCa)のリスク階層化のための,完全に自動化された,解剖学的に指導されたディープラーニングパイプラインを提案する。
パイプラインは、前立腺とそのゾーンを軸方向のT2強調MRI上にセグメント化するためのnnU-Netモジュール、オプションの解剖学的先行と臨床データで3Dパッチに微調整されたDiceedPT Swin Transformer基盤モデルに基づく分類モジュール、決定駆動画像領域をローカライズする反ファクトなヒートマップを生成するVAE-GANフレームワークの3つの重要なコンポーネントを統合する。
論文 参考訳（メタデータ） (2025-05-23T14:40:09Z) - Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳（メタデータ） (2025-05-23T14:06:42Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z)
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。