論文の概要: MSR:Hybrid Field Modeling for CT-MRI Rigid-Deformable Registration of the Cervical Spine with an Annotated Dataset

• arxiv url: http://arxiv.org/abs/2604.27654v1
• Date: Thu, 30 Apr 2026 09:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.028475
• Title: MSR:Hybrid Field Modeling for CT-MRI Rigid-Deformable Registration of the Cervical Spine with an Annotated Dataset
• Title（参考訳）: MSR:Hybrid Field Modeling for CT-MRI Rigid-Deformable Registration of the Cervical Spine with an Annotated Dataset
• Authors: Bohai Zhang, Wenjie Chen, Mu Li, Kaixing Long, Xing Shen, Xinqiang Yao, Jincheng Yang, Jianting Chen, Wei Yang, Qianjin Feng, Lei Cao,
• Abstract要約: 我々は,CT-MRI データセット R-D-Reg を包括的にリリースし,複雑な関節構造のための剛性変形可能なハイブリッド登録フレームワーク MSR を提案する。 MSRには、個々の脊椎の独立した局所的な剛性アライメントのための剛性登録モジュールと、マムバをベースとしたグローバルモデリングとアダプティブゲーティングによるスウィントランスフォーマーをベースとした局所モデリングを組み合わせたMSLブロックを備えた変形可能な登録モジュールが含まれている。
• 参考スコア（独自算出の注目度）: 18.892988392165858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate CT-MRI registration of the cervical spine is essential for preoperative planning because this region is anatomically complex,highly variable,and vulnerable to injury of the vertebral arteries and spinal cord. However,cervical CT-MRI registration remains underexplored,particularly for rigid-deformable hybrid modeling,and the lack of high-quality annotated multimodal data further limits progress. To address these challenges, we construct and release a comprehensively annotated CT-MRI dataset, R-D-Reg, and propose MSR, a rigid-deformable hybrid registration framework for complex joint structures. Specifically, MSR includes a rigid registration module for independent local rigid alignment of individual vertebrae and a deformable registration module with an MSL block that combines Mamba-based global modeling and Swin Transformer-based local modeling through adaptive gating. The rigid and deformable deformation fields are then fused to generate a hybrid field that better preserves local anatomical consistency. The code and dataset are publicly available at https://github.com/ssc1230609-spec/MSR-registration.
• Abstract（参考訳）: この領域は解剖学的に複雑で、高度に変動し、脊椎動脈や脊髄の損傷に弱いため、術前の計画には正確なCT-MRIによる頚椎の登録が不可欠である。 しかし、特に剛性変形可能なハイブリッドモデリングでは、胸部CT-MRIの登録は未検討であり、高品質な注釈付きマルチモーダルデータの欠如はさらなる進歩を妨げている。 これらの課題に対処するため、我々は、CT-MRIデータセットであるR-D-Regを構築し、複雑な関節構造のための剛性変形可能なハイブリッド登録フレームワークであるMSRを提案する。 具体的には、個々の脊椎の独立した局所的な硬直アライメントのための剛性登録モジュールと、マンバをベースとしたグローバルモデリングとアダプティブゲーティングによるスウィントランスフォーマーをベースとした局所モデリングを組み合わせたMSLブロックを備えた変形可能な登録モジュールを含む。 剛性と変形可能な変形場は融合し、局所的な解剖学的一貫性をよりよく保存するハイブリッドフィールドを生成する。 コードとデータセットはhttps://github.com/ssc1230609-spec/MSR-registrationで公開されている。

関連論文リスト

• A Hybrid Architecture for Benign-Malignant Classification of Mammography ROIs [7.489722641968593]
  本稿では,ローカル特徴抽出のためのEfficientNetV2-Mと,効率的なグローバルコンテキストモデリングのためのVision Mambaを組み合わせたハイブリッドアーキテクチャを提案する。 強いCNNバックボーンと線形複雑配列モデルを組み合わせることで、強い病変レベルの分類性能を実現する。
  論文  参考訳（メタデータ） (2026-04-14T08:28:21Z)
• Preoperative-to-intraoperative Liver Registration for Laparoscopic Surgery via Latent-Grounded Correspondence Constraints [51.7011449975586]
  Land-Regは変形可能な登録フレームワークで、潜伏した2D-3Dのランドマーク対応を学習する。 厳格な登録のために、Land-Regはクロスモーダルラテントアライメントモジュールを採用している。 類似性マッチングを持つ不確実なオーバーラップランドマーク検出器を提案し, 明確な2D-3Dランドマーク対応を強く推定する。
  論文  参考訳（メタデータ） (2026-03-02T10:44:03Z)
• MedVSR: Medical Video Super-Resolution with Cross State-Space Propagation [63.38824041721275]
  低解像度(LR)医療ビデオは、ビデオ超解像度(VSR)モデルに固有の課題を提示する。 本稿では,医療用VSRのためのフレームワークであるMedVSRを提案する。 MedVSRは既存のVSRモデルよりも性能と効率が優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-25T14:56:59Z)
• DDTracking: A Deep Generative Framework for Diffusion MRI Tractography with Streamline Local-Global Spatiotemporal Modeling [9.125067735207887]
  DDTrackingは拡散MRIトラクトグラフィーのための新しい深層生成フレームワークである。 局所的空間符号化と大域的時間依存性を共同でモデル化するデュアルパス符号化ネットワークを提案する。 DDTrackingは解剖学的に妥当で堅牢なトラクトグラフィーを提供し、広いdMRIアプリケーションに対してスケーラブルで適応性があり、エンドツーエンドで学習可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-08-06T15:51:11Z)
• Mono-Modalizing Extremely Heterogeneous Multi-Modal Medical Image Registration [3.1923251959845214]
  M2M-Regは、モノモーダル類似性のみを使用してマルチモーダルDIRモデルをトレーニングする新しいフレームワークである。 M2M-RegはPET-MRIとFA-MRIの従来法よりも最大2倍高い値が得られる。
  論文  参考訳（メタデータ） (2025-06-18T16:12:46Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• LDPM: Towards undersampled MRI reconstruction with MR-VAE and Latent Diffusion Prior [4.499605583818247]
  拡散モデルを用いてMRI再構成を解こうとする研究もあるが、これらの手法はピクセル空間で直接動作する。 リッチな視覚的背景を持つ自然画像に事前学習した潜時拡散モデルでは,MRI再構成における高い計算コストの問題を解くことが期待されている。 LDPM法(Latent Diffusion Prior-based Undersampled MRI reconstruction)を提案する。
  論文  参考訳（メタデータ） (2024-11-05T09:51:59Z)
• GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
  学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。 我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。 提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
  論文  参考訳（メタデータ） (2023-06-26T13:32:09Z)
• Cross-Modal Causal Intervention for Medical Report Generation [107.76649943399168]
  放射線医学報告生成(RRG)は, コンピュータ支援診断と薬剤指導に不可欠である。 視覚言語的バイアスによる急激な相関により、正確な病変記述の生成は依然として困難である。 我々はCrossModal Causal Representation Learning (CMCRL)という2段階のフレームワークを提案する。 IU-XrayとMIMIC-CXRの実験により、我々のCMCRLパイプラインは最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2023-03-16T07:23:55Z)

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。