論文の概要: Warm-Started Reinforcement Learning for Iterative 3D/2D Liver Registration

• arxiv url: http://arxiv.org/abs/2604.10245v1
• Date: Sat, 11 Apr 2026 14:58:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.921149
• Title: Warm-Started Reinforcement Learning for Iterative 3D/2D Liver Registration
• Title（参考訳）: 反復型3D/2D肝登録のためのワームスタート強化学習
• Authors: Hanyuan Zhang, Lucas He, Zijie Cheng, Abdolrahim Kadkhodamohammadi, Danail Stoyanov, Brian R. Davidson, Evangeles B. Mazomenos, Matthew. J Clarkson,
• Abstract要約: 学習ベースの手法は、最近、最適化ベースのアプローチに匹敵する登録誤差を達成している。 逐次的意思決定プロセスとしてCT-to-video登録を定式化する離散アクション強化学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.711805805211247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Registration between preoperative CT and intraoperative laparoscopic video plays a crucial role in augmented reality (AR) guidance for minimally invasive surgery. Learning-based methods have recently achieved registration errors comparable to optimization-based approaches while offering faster inference. However, many supervised methods produce coarse alignments that rely on additional optimization-based refinement, thereby increasing inference time. We present a discrete-action reinforcement learning (RL) framework that formulates CT-to-video registration as a sequential decision-making process. A shared feature encoder, warm-started from a supervised pose estimation network to provide stable geometric features and faster convergence, extracts representations from CT renderings and laparoscopic frames, while an RL policy head learns to choose rigid transformations along six degrees of freedom and to decide when to stop the iteration. Experiments on a public laparoscopic dataset demonstrated that our method achieved an average target registration error (TRE) of 15.70 mm, comparable to supervised approaches with optimization, while achieving faster convergence. The proposed RL-based formulation enables automated, efficient iterative registration without manually tuned step sizes or stopping criteria. This discrete framework provides a practical foundation for future continuous-action and deformable registration models in surgical AR applications.
• Abstract（参考訳）: 術前CTと術中腹腔鏡画像の登録は,低侵襲手術における拡張現実(AR)誘導において重要な役割を担っている。 学習ベースの手法は、最近、高速な推論を提供しながら、最適化ベースのアプローチに匹敵する登録誤差を達成した。 しかし、多くの教師付き手法は、追加の最適化に基づく改善に依存した粗いアライメントを生成し、推論時間を増加させる。 本稿では、連続的な意思決定プロセスとして、CTからビデオへの登録を定式化する離散アクション強化学習(RL)フレームワークを提案する。 教師付きポーズ推定ネットワークからウォームスタートした共有特徴エンコーダは、安定した幾何学的特徴とより高速な収束を提供し、CTレンダリングや腹腔鏡フレームから表現を抽出し、RLポリシーヘッドは、6自由度に沿って剛性変換を選択し、いつイテレーションを停止するかを学習する。 公立腹腔鏡データを用いた実験により,提案手法は平均目標登録誤差(TRE)を15.70mmで達成し,最適化による教師ありアプローチに匹敵する結果を得た。 提案したRLベースの定式化により,手動でステップサイズを調整したり,基準を停止したりすることなく,自動かつ効率的な反復的な登録が可能となった。 この離散的なフレームワークは、外科的AR応用における将来の継続的なアクションと変形可能な登録モデルのための実践的な基盤を提供する。

関連論文リスト

• Astrolabe: Steering Forward-Process Reinforcement Learning for Distilled Autoregressive Video Models [58.3184497327891]
  蒸留自己回帰(AR)ビデオモデルは、効率的なストリーミング生成を可能にするが、しばしば人間の視覚的嗜好に反する。 蒸留ARモデルに適した効率的なオンライン強化学習フレームワークであるAstrolabeを提案する。
  論文  参考訳（メタデータ） (2026-03-17T18:32:18Z)
• Deriving Hyperparameter Scaling Laws via Modern Optimization Theory [55.63126290312615]
  線形最小化Oracle(LMO)に基づく手法の最近の一階境界について検討する。 近年の文献のバウンダリをプロキシとして扱い、異なるチューニング規則をまたいでそれらを最小化することで、学習率、運動量、バッチサイズに関するクローズドフォームのパワーロースケジュールが得られる。 本研究の結果は, 運動量とバッチサイズスケーリングの相互作用に特に注意を払っており, いくつかのスケーリング戦略によって最適性能が達成される可能性が示唆された。
  論文  参考訳（メタデータ） (2026-03-16T22:21:27Z)
• Contextual Rollout Bandits for Reinforcement Learning with Verifiable Rewards [69.74686029941881]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論能力を改善するための効果的なパラダイムである。 トレーニングを通して高価値ロールアウトを適応的に選択する統合型ニューラルネットワークスケジューリングフレームワークを提案する。 6つの数学的推論ベンチマークの実験では、複数のRLVR最適化手法で性能と訓練効率が一貫した向上を示した。
  論文  参考訳（メタデータ） (2026-02-09T10:51:58Z)
• Learning KAN-based Implicit Neural Representations for Deformable Image Registration [0.8037525071177886]
  我々はKan-IDIRとRandKAN-IDIRを提案し、Kolmogorov-Arnold Networks(KAN)を暗黙のニューラル表現(INR)で変形可能な画像登録に初めて統合した。 提案したランダム化されたベースサンプリング戦略は,登録品質を維持しつつ,kanの必要なベース関数数を削減できる。 Kan-IDIRとRandKAN-IDIRは、すべての評価されたモダリティと解剖において、INRベースの手法の中で最高精度を達成した。
  論文  参考訳（メタデータ） (2025-09-26T19:37:46Z)
• Bridging Classical and Learning-based Iterative Registration through Deep Equilibrium Models [7.6061804149819885]
  我々は,Deep Equilibrium Models (DEQ)に基づく新しい登録フレームワークであるDEQRegを提案する。 DeQRegは、メモリ消費を大幅に削減しつつ、競合する登録性能を実現することができることを示す。 既存のアンローリング手法の性能はまずわずかに増加し、推論ステップがトレーニング設定を超えると不可逆的に低下する。
  論文  参考訳（メタデータ） (2025-07-01T09:03:06Z)
• Dynamic Angle Selection in X-Ray CT: A Reinforcement Learning Approach to Optimal Stopping [1.7049036022350423]
  産業用X線CT(Industrial X-ray Computed Tomography)では,高速インライン検査の必要性が重要である。 スパース・アングル・トモグラフィーは、必要な投影数を減らし、処理と資源の保存を加速することで重要な役割を担っている。
  論文  参考訳（メタデータ） (2025-03-16T23:09:13Z)
• Neural Graphics Primitives-based Deformable Image Registration for On-the-fly Motion Extraction [9.599774878892665]
  放射線治療における屈折内運動は、通常、変形性画像登録(DIR)を用いてモデル化される 既存の手法は、しばしば速度と精度のバランスをとるのに苦労し、臨床シナリオにおける適用性を制限する。 本研究では、ニューラルネットワークプリミティブ(NGP)を利用して変位ベクトル場(DVF)を最適化する新しいアプローチを提案する。 本手法を4D-CT肺データセットDIR-labで検証し,1.77秒で1.15pm1.15mmの目標登録誤差(TRE)を達成した。
  論文  参考訳（メタデータ） (2024-02-08T11:09:27Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)

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。