論文の概要: Effective Feature Learning for 3D Medical Registration via Domain-Specialized DINO Pretraining

• arxiv url: http://arxiv.org/abs/2603.14086v1
• Date: Sat, 14 Mar 2026 19:14:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.590592
• Title: Effective Feature Learning for 3D Medical Registration via Domain-Specialized DINO Pretraining
• Title（参考訳）: ドメイン特化DINOプレトレーニングによる3次元医用レジストレーションのための効果的な特徴学習
• Authors: Eytan Kats, Mattias P. Heinrich,
• Abstract要約: 本研究は,DINO型自己教師型プレトレーニングを3次元医用画像データで直接検討する。 我々のドメイン特化事前学習は、大規模な自然画像の収集に基づいて訓練されたDINOv2モデルよりも優れています。
• 参考スコア（独自算出の注目度）: 3.1852844552413644
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Medical image registration is a critical component of clinical imaging workflows, enabling accurate longitudinal assessment, multi-modal data fusion, and image-guided interventions. Intensity-based approaches often struggle with interscanner variability and complex anatomical deformations, whereas feature-based methods offer improved robustness by leveraging semantically informed representations. In this work, we investigate DINO-style self-supervised pretraining directly on 3D medical imaging data, aiming to learn dense volumetric features well suited for deformable registration. We assess the resulting representations on challenging interpatient abdominal registration task across both MRI and CT modalities. Our domain-specialized pretraining outperforms the DINOv2 model trained on a large-scale collection of natural images, while requiring substantially lower computational resources at inference time. Moreover, it surpasses established registration models under out-of-domain evaluation, demonstrating the value of task-agnostic yet medical imaging-focused pretraining for robust and efficient 3D image registration.
• Abstract（参考訳）: 医用画像登録は、正確な経時的評価、マルチモーダルデータ融合、画像誘導的介入を可能にする臨床画像ワークフローの重要な構成要素である。 強度に基づくアプローチは、しばしばスキャン間の変動と複雑な解剖学的変形に苦しむが、特徴に基づく手法は意味的に情報を得た表現を活用することによって堅牢性を向上させる。 本研究では,3次元医用画像データを直接学習するDINOスタイルの自己教師型プリトレーニングについて検討し,変形可能な登録に適した高密度ボリューム特徴を学習することを目的とした。 われわれは,MRIとCTの併用による腹腔鏡下手術の適応性について検討した。 我々のドメイン特化事前学習は、大規模な自然画像の収集で訓練されたDINOv2モデルよりも優れており、推論時に計算資源は大幅に少ない。 さらに、ドメイン外評価の下で確立された登録モデルを超え、堅牢で効率的な3D画像登録のためのタスク非依存の医療画像中心の事前トレーニングの価値を実証する。

関連論文リスト

• Does DINOv3 Set a New Medical Vision Standard? [67.33543059306938]
  本報告は、DINOv3が、ドメイン固有の事前トレーニングなしで、医用視覚タスクのための強力な統合エンコーダとして機能するかどうかを考察する。 我々はDINOv3を2D/3D分類やセグメンテーションを含む一般的な医療ビジョンタスクでベンチマークした。 注目すべきは、いくつかのタスクでBiomedCLIPやCT-Netといった医療固有の基礎モデルよりも優れていることだ。
  論文  参考訳（メタデータ） (2025-09-08T09:28:57Z)
• 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)
• Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
  本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。 我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
  論文  参考訳（メタデータ） (2024-09-13T10:19:10Z)
• Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
  本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。 ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。 提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-07-31T17:59:42Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• 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)
• A Meta-Learning Approach for Medical Image Registration [6.518615946009265]
  グラデーションベースのメタラーニングフレームワークと統合した,新しい教師なし登録モデルを提案する。 実験の結果,提案モデルでは,精度とトレーニング時間の観点から,性能が有意に向上した。
  論文  参考訳（メタデータ） (2021-04-21T10:27:05Z)
• Learning Deformable Registration of Medical Images with Anatomical Constraints [4.397224870979238]
  医用画像解析の分野では、変形可能な画像登録が根本的な問題である。 我々は,画像解剖学のグローバルな非線形表現をセグメンテーションマスクを用いて学習し,それらを用いて登録プロセスの制約を行う。 実験により,提案した解剖学的制約付き登録モデルにより,最先端の手法よりも現実的で正確な結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-01-20T17:44:11Z)

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。