論文の概要: Point Cloud Registration for Fusion between SPECT MPI and CTA Images

• arxiv url: http://arxiv.org/abs/2604.24524v1
• Date: Mon, 27 Apr 2026 14:24:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:08.081256
• Title: Point Cloud Registration for Fusion between SPECT MPI and CTA Images
• Title（参考訳）: SPECT MPIとCTA画像の融合のための点雲登録
• Authors: Ni Yao, Xiangyu Liu, Shaojie Tang, Danyang Sun, Chuang Han, Yanting Li, Jiaofen Nan, Chengyang Li, Fubao Zhu, Chen Zhao, Zhihui Xu, Weihua Zhou,
• Abstract要約: 手動のランドマークへの依存とモダリティの相違は、正確な虚血の局在と病変レベルの機能評価を妨げる可能性がある。 本稿では, SPECT MPI と CTA の登録・融合フレームワークを提案し, 機能的・構造的情報を統合して心的総合評価を行う。
• 参考スコア（独自算出の注目度）: 31.52555943262385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical fusion of Single Photon Emission Computed Tomography Myocardial Perfusion Imaging (SPECT MPI) and Computed Tomography Angiography (CTA) remains limited by cross-modality misregistration and reliance on manual landmarks, which can hinder accurate ischemia localization and lesion-level functional assessment. To address this issue, we propose a registration and fusion framework for SPECT MPI and CTA that integrates functional and structural information for comprehensive cardiac evaluation. The proposed pipeline performs U-Net-based segmentation on both modalities. On SPECT MPI, only the left ventricle (LV) is extracted, and anatomical landmarks are automatically derived from characteristic LV structures. On CTA, both ventricles are segmented, and their spatial relationship is used to automatically define landmarks at the interventricular septal junction. Scale-space consistency preprocessing and landmark-driven coarse registration are applied to mitigate initial misalignment. Based on this initialization, multiple fine registration methods are evaluated on LV epicardial surface point clouds, including ICP, SICP, CPD, CluReg, FFD, and BCPD-plus-plus. The resulting transformations are then propagated to voxel-level resampling for high-precision SPECT-CTA fusion. In a retrospective cohort of 60 patients, the proposed framework preserved sub-millimeter coronary detail from CTA while accurately overlaying quantitative SPECT perfusion. Among the evaluated methods, BCPD-plus-plus achieved the highest accuracy with a mean point cloud distance of 1.7 mm. By combining robust initialization, comparative fine registration, and voxel-level fusion, the proposed approach provides a practical solution for myocardial ischemia localization and functional evaluation of coronary lesions, while remaining independent of any specific fine registration algorithm.
• Abstract（参考訳）: 単光子線CT(SPECT MPI)とCT(Computed Tomography Angiography)の臨床融合は, 正確な虚血局所化と病変レベルの機能評価を阻害する手動ランドマークの相互誤認と依存によって制限されている。 そこで本研究では, SPECT MPI と CTA の登録・融合フレームワークを提案し, 機能的・構造的情報を統合して心的総合評価を行う。 提案したパイプラインは、両方のモードでU-Netベースのセグメンテーションを実行する。 SPECT MPIでは、左心室(LV)のみを抽出し、解剖学的ランドマークを特徴的なLV構造から自動的に抽出する。 CTAでは、両方の心室はセグメンテーションされ、その空間的関係は心室中隔ジャンクションで自動的にランドマークを定義するために使用される。 スケール空間の整合性前処理とランドマーク駆動の粗い登録を適用して、初期整合性を緩和する。 この初期化に基づいて、ICP, SICP, CPD, CluReg, FFD, BCPD++を含むLV心表面点雲上で、複数の微細登録法を評価する。 得られた変換は、高速SPECT-CTA融合のためのボクセルレベルの再サンプリングに伝達される。 60例の振り返りコホートでは, 定量的SPECT灌流を正確にオーバーレイしながら, CTAから低ミリ波冠動脈の細部を保存した。 評価手法のうち、BCPD++は平均雲距離1.7mmで最高精度を達成した。 本手法は, 心筋虚血の局所化と冠動脈病変の機能評価において, より堅牢な初期化, 比較微粒化, およびボクセルレベルの融合を併用することにより, 特定の微粒化アルゴリズムに依存せず, 実用的な解決策を提供する。

関連論文リスト

• Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography [13.885760158090692]
  心筋領域誘導型特徴集約ネットは、冠状動脈セグメンテーションの堅牢性を高めるために、解剖学的事前知識を統合する新しいU字型二重エンコーダアーキテクチャである。 本フレームワークは,(1)ブリッジング拡張とマルチスケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2)並列空間チャネルの注意と残留ブロックを結合して局所的特徴識別を増強する残留特徴抽出モジュール,(3)階層的血管特徴の適応的アダプティブアグリゲーションのためのマルチスケール機能融合モジュールの3つの重要なイノベーションを取り入れている。
  論文  参考訳（メタデータ） (2025-04-27T16:43:52Z)
• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• Continuous max-flow augmentation of self-supervised few-shot learning on SPECT left ventricles [0.0]
  本研究の目的は, 診断センターとクリニックが, 小型・低品質のSPECTラベルに基づいて自動的に心筋のセグメンテーションを行うためのレシピを提供することである。 SPECT装置の様々な領域における3次元U-Net自己教師学習(SSL)アプローチを強化するために,CMF(Continuous Max-Flow)と事前形状情報の組み合わせを開発した。
  論文  参考訳（メタデータ） (2024-05-09T03:19:19Z)
• Point cloud-based registration and image fusion between cardiac SPECT MPI and CTA [22.691328811159252]
  SPECT心筋灌流画像(MPI)と心電図血管造影(CTA)との点群登録と画像融合のための方法が提案された。 SPECTおよびCTA画像における左心室(LV)心室領域(LVER)は、LV心室輪郭(LVEC)の点群を生成するために訓練された異なるU-Netニューラルネットワークを用いて区分けされた。 提案手法は心CTAおよびSPECT機能画像から構造を効果的に融合させ,相補的優位性を組み合わせることで心疾患の正確な診断を支援する可能性を示した。
  論文  参考訳（メタデータ） (2024-02-10T00:00:40Z)
• Contrast-Agnostic Groupwise Registration by Robust PCA for Quantitative Cardiac MRI [15.778560241913674]
  定量的な心臓MRIシークエンス内の全てのベースライン画像の同時登録は、地図の精度と精度に不可欠である。 定量的心臓MRIを低ランク・スパース成分に分解する新しい運動補正フレームワークを提案する。 提案手法は, rPCAを導入することなく, ベースライン方式による登録性能を効果的に向上することを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:48:13Z)
• Structure-aware registration network for liver DCE-CT images [50.28546654316009]
  セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。 提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
  論文  参考訳（メタデータ） (2023-03-08T14:08:56Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Segmentation of Cardiac Structures via Successive Subspace Learning with Saab Transform from Cine MRI [29.894633364282555]
  本研究では,適応バイアス(Saab)変換を用いた部分空間近似を用いた連続部分空間学習による機械学習モデルを提案する。 左心室,右心室,心筋のパラメータが200ドル以上で,最先端のU-Netモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-22T14:50:48Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。