論文の概要: Rotation Equivariant Convolutions in Deformable Registration of Brain MRI

• arxiv url: http://arxiv.org/abs/2604.08034v1
• Date: Thu, 09 Apr 2026 09:39:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.844998
• Title: Rotation Equivariant Convolutions in Deformable Registration of Brain MRI
• Title（参考訳）: 脳MRIの変形性レジストレーションにおける回転同変畳み込み
• Authors: Arghavan Rezvani, Kun Han, Anthony T. Wu, Pooya Khosravi, Xiaohui Xie,
• Abstract要約: 画像登録は、画像間の解剖学的構造を整列させる基本的なタスクである。 我々は、回転同変の畳み込みを変形可能な脳MRI登録ネットワークに統合する。 以上の結果から,より堅牢で正確かつ効率的な登録モデルを構築するための重要なステップとして,幾何的事前の組み込みが重要であることが示唆された。
• 参考スコア（独自算出の注目度）: 10.900177081983927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image registration is a fundamental task that aligns anatomical structures between images. While CNNs perform well, they lack rotation equivariance - a rotated input does not produce a correspondingly rotated output. This hinders performance by failing to exploit the rotational symmetries inherent in anatomical structures, particularly in brain MRI. In this work, we integrate rotation-equivariant convolutions into deformable brain MRI registration networks. We evaluate this approach by replacing standard encoders with equivariant ones in three baseline architectures, testing on multiple public brain MRI datasets. Our experiments demonstrate that equivariant encoders have three key advantages: 1) They achieve higher registration accuracy while reducing network parameters, confirming the benefit of this anatomical inductive bias. 2) They outperform baselines on rotated input pairs, demonstrating robustness to orientation variations common in clinical practice. 3) They show improved performance with less training data, indicating greater sample efficiency. Our results demonstrate that incorporating geometric priors is a critical step toward building more robust, accurate, and efficient registration models.
• Abstract（参考訳）: 画像登録は、画像間の解剖学的構造を整列させる基本的なタスクである。 CNNはよく機能するが、回転平衡が欠如しており、回転した入力は対応する回転した出力を生成しない。 これにより、解剖学的構造、特に脳MRIに固有の回転対称性を活用できないことで、パフォーマンスを阻害する。 本研究では、回転同変の畳み込みを変形可能な脳MRI登録ネットワークに統合する。 我々は,標準的なエンコーダを3つのベースラインアーキテクチャで等価なエンコーダに置き換え,複数の公開脳MRIデータセットでテストすることで,このアプローチを評価する。 我々の実験は、同変エンコーダには3つの大きな利点があることを示した。 1) ネットワークパラメータを低減しつつ高い登録精度を実現し, この解剖学的帰納バイアスの利点を確認した。 2) 臨床実習で共通する方向変化に対して頑健性を示すとともに, 回転する入力対のベースラインよりも優れていた。 3) トレーニングデータが少ないほど性能が向上し, サンプル効率が向上した。 以上の結果から,より堅牢で正確かつ効率的な登録モデルを構築するための重要なステップとして,幾何的事前の組み込みが重要であることが示唆された。

関連論文リスト

• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• SRE-Conv: Symmetric Rotation Equivariant Convolution for Biomedical Image Classification [4.2790694771618725]
  畳み込みニューラルネットワーク(CNN)はコンピュータビジョンタスクに不可欠なツールであるが、それらは望ましい性質を欠いている。 SRE-Convカーネルはモデルサイズを同時に圧縮しながら回転不変の特徴を学習するように設計されている。 SRE-Conv-CNNは、2D画像と3D画像の両方で16の試験データセットの回転画像分類性能を向上した。
  論文  参考訳（メタデータ） (2025-01-16T18:59:02Z)
• SOE: SO(3)-Equivariant 3D MRI Encoding [9.856654245845244]
  本稿では,3次元空間における全ての回転に対して同値を強制する新しい3次元MRI符号化法を提案する。 表現空間におけるこの幾何等式を明示的にモデル化することにより、入力画像空間に適用される任意の回転操作が埋め込み表現空間にも反映されることを保証する。 我々は,ADNIデータセットのT1強調脳スキャンから,年齢予測とアルツハイマー病診断の下流課題に関して,2つの公開データセットの構造的MRIに基づいて事前訓練したSOEを評価した。
  論文  参考訳（メタデータ） (2024-10-15T20:47:48Z)
• Anatomy-aware and acquisition-agnostic joint registration with SynthMorph [6.017634371712142]
  アフィン画像登録は、医用画像解析の基盤となっている。 ディープラーニング(DL)メソッドは、画像対を出力変換にマッピングする関数を学ぶ。 ほとんどのアフィン法は、ユーザが調整したい解剖学に依存しない。つまり、アルゴリズムが画像のすべての構造を考慮すれば、登録は不正確なものになる。 われわれはこれらの欠点をSynthMorphで解決する。これは高速で対称で、微分型で使い易いDLツールで、任意の脳画像の関節アフィン変形性登録を行う。
  論文  参考訳（メタデータ） (2023-01-26T18:59:33Z)
• Multiscale Metamorphic VAE for 3D Brain MRI Synthesis [5.060516201839319]
  3次元脳MRIの創発的モデリングは、データ分布の十分なカバレッジを確保しつつ、高い視覚的忠実度を達成することの難しさを示す。 本研究では, この課題に対して, 可変オートエンコーダフレームワークにおける構成可能なマルチスケール形態素変換を用いて対処することを提案する。 VAEやGAN(Generative Adversarial Network)をベースとした先行作業と比較して,FIDの性能は,同等あるいは優れた再現品質を維持しつつ,大幅に向上した。
  論文  参考訳（メタデータ） (2023-01-09T09:15:30Z)
• SPE-Net: Boosting Point Cloud Analysis via Rotation Robustness Enhancement [118.20816888815658]
  SPE-Netという名前の3Dポイントクラウドアプリケーションに適した新しいディープアーキテクチャを提案する。 埋め込みSelective Position variant' の手順は、入力の根底にある回転条件に効果的に対応できる注意機構に依存している。 SPE-Netと関連する仮説の利点を4つのベンチマークで示し、SOTA法よりも回転試験データと回転試験データの両方に明らかな改善点を示した。
  論文  参考訳（メタデータ） (2022-11-15T15:59:09Z)
• View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
  より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。 まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。 第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。 第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
  論文  参考訳（メタデータ） (2022-09-20T11:58:23Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)

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。