論文の概要: Cycle Inverse-Consistent TransMorph: A Balanced Deep Learning Framework for Brain MRI Registration

• arxiv url: http://arxiv.org/abs/2603.21760v1
• Date: Mon, 23 Mar 2026 09:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.597687
• Title: Cycle Inverse-Consistent TransMorph: A Balanced Deep Learning Framework for Brain MRI Registration
• Title（参考訳）: Cycle Inverse-Consistent TransMorph:脳MRI登録のためのバランスのとれたディープラーニングフレームワーク
• Abstract要約: 変形可能な脳MRI登録のための逆整合トランスフォーマベースフレームワークを提案する。 このモデルは、Swin-UNetアーキテクチャと双方向の一貫性制約を統合し、前方および後方の変形場の合同推定を可能にする。 我々は,2851T1強調脳MRIスキャンからなる大規模マルチセンターデータセット上で,提案フレームワークの包括的な評価を行う。
• 参考スコア（独自算出の注目度）: 10.301175036166166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deformable image registration plays a fundamental role in medical image analysis by enabling spatial alignment of anatomical structures across subjects. While recent deep learning-based approaches have significantly improved computational efficiency, many existing methods remain limited in capturing long-range anatomical correspondence and maintaining deformation consistency. In this work, we present a cycle inverse-consistent transformer-based framework for deformable brain MRI registration. The model integrates a Swin-UNet architecture with bidirectional consistency constraints, enabling the joint estimation of forward and backward deformation fields. This design allows the framework to capture both local anatomical details and global spatial relationships while improving deformation stability. We conduct a comprehensive evaluation of the proposed framework on a large multi-center dataset consisting of 2851 T1-weighted brain MRI scans aggregated from 13 public datasets. Experimental results demonstrate that the proposed framework achieves strong and balanced performance across multiple quantitative evaluation metrics while maintaining stable and physically plausible deformation fields. Detailed quantitative comparisons with baseline methods, including ANTs, ICNet, and VoxelMorph, are provided in the appendix. Experimental results demonstrate that CICTM achieves consistently strong performance across multiple evaluation criteria while maintaining stable and physically plausible deformation fields. These properties make the proposed framework suitable for large-scale neuroimaging datasets where both accuracy and deformation stability are critical.
• Abstract（参考訳）: 変形可能な画像登録は、被験者間の解剖学的構造の空間的アライメントを可能にすることにより、医用画像解析において基本的な役割を果たす。 最近のディープラーニングベースのアプローチは計算効率を著しく改善しているが、多くの既存の手法は長距離解剖学的対応を捉え変形の一貫性を維持するのに限られている。 本研究では、変形可能な脳MRI登録のための逆整合トランスフォーマーベースのフレームワークを提案する。 このモデルは、Swin-UNetアーキテクチャと双方向の一貫性制約を統合し、前方および後方の変形場の合同推定を可能にする。 この設計により、このフレームワークは変形安定性を改善しつつ、局所解剖学的詳細と大域的空間的関係の両方をキャプチャできる。 13の公開データセットから集約された2851のT1重み付き脳MRIスキャンからなる大規模マルチセンターデータセット上で,提案フレームワークの包括的な評価を行う。 実験結果から, 本フレームワークは, 安定かつ物理的に安定な変形場を維持しつつ, 複数の定量的評価指標に対して, 強靭かつバランスの取れた性能を達成できることが示唆された。 付録にはANT、ICNet、VoxelMorphなどのベースラインメソッドとの詳細な定量的比較が記載されている。 実験結果から,CICTMは安定かつ物理的に安定な変形場を維持しつつ,複数の評価基準をまたいだ一貫した強靭な性能が得られることが示された。 これらの特性は、精度と変形安定性の両方が重要である大規模ニューロイメージングデータセットに適したフレームワークである。

関連論文リスト

• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Attention-Driven Framework for Non-Rigid Medical Image Registration [15.540035635369504]
  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。
  論文  参考訳（メタデータ） (2026-02-06T09:23:37Z)
• MedAD-R1: Eliciting Consistent Reasoning in Interpretible Medical Anomaly Detection via Consistency-Reinforced Policy Optimization [46.65200216642429]
  我々はMedADの最初の大規模マルチモーダル・マルチセンタベンチマークであるMedAD-38Kを紹介し、構造化された視覚質問応答(VQA)ペアとともに、CoT(Chain-of-Thought)アノテーションを特徴付ける。 提案するモデルであるMedAD-R1は、MedAD-38Kベンチマーク上での最先端(SOTA)性能を実現し、強いベースラインを10%以上上回った。
  論文  参考訳（メタデータ） (2026-02-01T07:56:10Z)
• Interpretable Unsupervised Deformable Image Registration via Confidence-bound Multi-Hop Visual Reasoning [1.6939372704265414]
  教師なしの変形可能な画像登録には、参照ラベルなしで複雑な解剖学的構造を整列する必要がある。 既存のディープラーニング手法は精度は高いが透明性を欠くことが多く、誤りの漂流と臨床信頼の低下につながる。 本稿では,段階的推論プロセスとして登録を再構成する新しいマルチホップ・ビジュアル・チェイン・オブ・推論・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-30T14:41:19Z)
• Forging a Dynamic Memory: Retrieval-Guided Continual Learning for Generalist Medical Foundation Models [45.285970665585914]
  本稿では,継続的学習のための包括的枠組みを提案する。 モデル微調整のためのリアルタイムガイダンスを提供するマルチモーダル多層RAGシステムを用いる。 動的知識蒸留フレームワークを導入する。
  論文  参考訳（メタデータ） (2025-12-15T08:09:40Z)
• PF-DAformer: Proximal Femur Segmentation via Domain Adaptive Transformer for Dual-Center QCT [8.358409792893278]
  多施設定量的CT(QCT)に適したドメイン適応型トランスフォーマーセグメンテーションフレームワークを開発した。 当モデルでは, タラネ大学から1024個のQCT画像スキャン, ミネソタ州ロチェスターから384個の画像スキャンを行い, 大腿骨近位部セグメンテーションを行った。
  論文  参考訳（メタデータ） (2025-10-30T18:07:56Z)
• TCIP: Threshold-Controlled Iterative Pyramid Network for Deformable Medical Image Registration [21.283219565079413]
  ピラミッドネットワークにおける各デコード層のコアコンポーネントとして機能強化残留モジュール(FERM)を提案する。 FERMは、解剖学的意味的特徴を抽出し、無関係な特徴を抑えることを学習し、最終的な変形場を推定する3つの連続ブロックから構成される。 我々は FERM と TCI をThreshold-Controlled Iterative Pyramid (TCIP) として統合するモデルを作成した。
  論文  参考訳（メタデータ） (2025-10-09T01:38:40Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• UNSCT-HRNet: Modeling Anatomical Uncertainty for Landmark Detection in Total Hip Arthroplasty [21.90601597000203]
  本研究では,空間関係融合(SRF)モジュールと不確実性推定(UE)モジュールを統合するフレームワークUNSCT-HRNetを提案する。 構造化されていないデータに対して,提案手法は一定数の点に依存することなくランドマークを予測できる。 UNSCT-HRNetは、非構造化データの複数のメトリクスで60%以上の改善を実証しています。
  論文  参考訳（メタデータ） (2024-11-13T10:13:23Z)
• 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)

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。