論文の概要: CoRe: Joint Optimization with Contrastive Learning for Medical Image Registration

• arxiv url: http://arxiv.org/abs/2603.23694v1
• Date: Tue, 24 Mar 2026 20:08:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.018888
• Title: CoRe: Joint Optimization with Contrastive Learning for Medical Image Registration
• Title（参考訳）: CoRe: 医用画像登録のためのコントラスト学習との共同最適化
• Authors: Eytan Kats, Christoph Grossbroehmer, Ziad Al-Haj Hemidi, Fenja Falta, Wiebke Heyer, Mattias P. Heinrich,
• Abstract要約: 本稿では,コントラスト学習を直接登録モデルに統合する新しいフレームワークを提案する。 コントラストと登録の目的を協調的に最適化することにより、学習された表現が情報だけでなく、登録作業にも適していることを保証する。
• 参考スコア（独自算出の注目度）: 2.6926304126225893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image registration is a fundamental task in medical image analysis, enabling the alignment of images from different modalities or time points. However, intensity inconsistencies and nonlinear tissue deformations pose significant challenges to the robustness of registration methods. Recent approaches leveraging self-supervised representation learning show promise by pre-training feature extractors to generate robust anatomical embeddings, that farther used for the registration. In this work, we propose a novel framework that integrates equivariant contrastive learning directly into the registration model. Our approach leverages the power of contrastive learning to learn robust feature representations that are invariant to tissue deformations. By jointly optimizing the contrastive and registration objectives, we ensure that the learned representations are not only informative but also suitable for the registration task. We evaluate our method on abdominal and thoracic image registration tasks, including both intra-patient and inter-patient scenarios. Experimental results demonstrate that the integration of contrastive learning directly into the registration framework significantly improves performance, surpassing strong baseline methods.
• Abstract（参考訳）: 医用画像登録は医用画像解析の基本的な課題であり、異なるモダリティや時間点からの画像のアライメントを可能にする。 しかし, 強度不整合と非線型組織変形は, 登録法の堅牢性に重要な課題をもたらす。 自己教師付き表現学習を活用する最近のアプローチは、登録に使用されるより遠くにある堅牢な解剖学的埋め込みを生成するために、特徴抽出器の事前訓練による約束を示す。 本研究では,同変のコントラスト学習を直接登録モデルに統合する新しいフレームワークを提案する。 本手法は, 組織変形に不変な頑健な特徴表現を学習するために, コントラスト学習の力を利用する。 コントラストと登録の目的を協調的に最適化することにより、学習された表現が情報だけでなく、登録作業にも適していることを保証する。 患者内シナリオと患者間シナリオの両方を含む腹部・胸部画像登録タスクについて検討した。 実験結果から,コントラスト学習の登録フレームワークへの直接統合は,強力なベースライン手法を超越して,性能を著しく向上することが示された。

関連論文リスト

• Effective Feature Learning for 3D Medical Registration via Domain-Specialized DINO Pretraining [3.1852844552413644]
  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。
  論文  参考訳（メタデータ） (2026-03-14T19:14:18Z)
• 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)
• Learning Homeomorphic Image Registration via Conformal-Invariant Hyperelastic Regularisation [9.53064372566798]
  共形不変性に基づく変形可能な画像登録のための新しいフレームワークを提案する。 我々の正規化器は、変形場が滑らかで、可逆で、配向保存されるように強制する。 我々は,数値的および視覚的な実験を通じて,我々のフレームワークが現在の画像登録技術より優れていることを実証した。
  論文  参考訳（メタデータ） (2023-03-14T17:47:18Z)
• Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
  画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。 また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
  論文  参考訳（メタデータ） (2023-02-23T06:16:15Z)
• 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)
• 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)
• 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。