論文の概要: Set-Based Groupwise Registration for Variable-Length, Variable-Contrast Cardiac MRI

• arxiv url: http://arxiv.org/abs/2605.10571v1
• Date: Mon, 11 May 2026 13:41:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.856875
• Title: Set-Based Groupwise Registration for Variable-Length, Variable-Contrast Cardiac MRI
• Title（参考訳）: 可変長可変コントラスト心磁図のセットベースグループ登録
• Authors: Yi Zhang, Yidong Zhao, Tijmen Toxopeus, Maša Božić-Iven, Sebastian Weingärtner, Qian Tao,
• Abstract要約: グループワイズ登録は、動き補正のためのペアワイズ登録よりもロバスト性が高い。 emphAnyTwoRegは、定量MRIシーケンスを未順序集合として取ります。 ゼロショット方式で強力なクロスプロトコール一般化を実現する。
• 参考スコア（独自算出の注目度）: 5.342753447867402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative cardiac magnetic resonance imaging (MRI) enables non-invasive myocardial tissue characterization but relies on robust motion correction within these variable-length, variable-contrast image sequences. Groupwise registration, which simultaneously aligns all images, has shown greater robustness than pairwise registration for motion correction. However, current deep-learning-based groupwise registration methods cannot generalize across MRI sequences: the architecture typically encodes input data as a fixed-length channel stack, which rigidly couples network design to protocol-specific sequence length, input ordering, and contrast dynamics. At inference time, any change in imaging protocols will render the network unusable. In this work, we introduce \emph{\AnyTwoReg}, a new set-based groupwise registration framework that takes a quantitative MRI sequence as an unordered set. This set formulation fundamentally decouples network design from sequence length and input ordering. By utilizing a shared encoder and correlation-guided feature aggregation, \emph{\AnyTwoReg} constructs a permutation-invariant canonical reference for registration, and learns a permutation-equivariant mapping from images to deformation fields. Additionally, we extract contrast-insensitive image features from an existing foundation model to handle extreme contrast variations. Trained exclusively on a single public $T_1$ mapping dataset (STONE, sequence length $L=11$), \AnyTwoReg generalizes to two unseen quantitative MRI datasets (MOLLI, ASL) with variable lengths ($L \in [11, 60]$) and different contrast dynamics. It achieves strong cross-protocol generalization in a zero-shot manner, and consistently improves downstream quantitative mapping quality. Notably, while designed for quantitative MRI sequences, our framework is directly applicable to Cine MRI sequences for inter-cardiac-phase registration.
• Abstract（参考訳）: 定量的心磁気共鳴画像(MRI)は、非侵襲的な心筋組織を特徴付けることができるが、これらの可変長可変コントラスト画像列内のロバストな運動補正に依存している。 すべての画像を同時に整列するグループワイズ登録は、動き補正のためのペアワイズ登録よりも堅牢性が高い。 アーキテクチャは通常、入力データを固定長のチャネルスタックとしてエンコードし、ネットワーク設計をプロトコル固有のシーケンス長、入力順序、コントラストダイナミクスに厳密に結合する。 推論時には、画像プロトコルの変更はネットワークを使用不能にする。 本稿では, 定量的MRIシークエンスを非順序集合として取り込む, 新しい集合ベースのグループワイズ登録フレームワークである \emph{\AnyTwoReg} を紹介する。 この集合の定式化は、ネットワーク設計をシーケンス長と入力順序から根本的に分離する。 共有エンコーダと相関誘導型特徴アグリゲーションを利用して、登録のための置換不変な標準参照を構築し、画像から変形場への置換等価マッピングを学習する。 さらに,既存の基盤モデルからコントラスト非感性画像の特徴を抽出し,極端なコントラスト変動を処理する。 1つのパブリックな$T_1$マッピングデータセット (STONE, sequence length $L=11$) でのみトレーニングされた \AnyTwoReg は、可変長 (L \in [11, 60]$) と異なるコントラストダイナミクスを持つ2つの未知の定量的MRIデータセット (MOLLI, ASL) に一般化される。 ゼロショット方式で強力なクロスプロトコール一般化を実現し、下流の定量的マッピング品質を一貫して改善する。 特に,定量的MRIシークエンスのために設計されているが,本フレームワークは心期間MRIシークエンスに直接適用可能である。

関連論文リスト

• SMKC: Sketch Based Kernel Correlation Images for Variable Cardinality Time Series Anomaly Detection [0.0]
  運用環境では、監視システムはセンサーチャーンを頻繁に経験する。 本稿では,異常検出器から動的入力構造を分離するフレームワークSMKCを提案する。 SMKC表現におけるランダムプロジェクションと近傍近傍の検出器は、完全に訓練されたベースラインと競合する。
  論文  参考訳（メタデータ） (2026-01-28T21:15:11Z)
• Reverse Imaging for Wide-spectrum Generalization of Cardiac MRI Segmentation [9.902164293005917]
  リバースイメージング(Reverse Imaging)は、心臓MRIデータ拡張とドメイン適応のための物理駆動型手法である。 心臓MRI画像から根底にあるスピン特性を逆転させる手法を提案する。 Reverse Imagingは画像のコントラストや画像のプロトコールの精度が高いセグメンテーションを可能にする。
  論文  参考訳（メタデータ） (2025-08-28T22:55:15Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Locality-Aware Generalizable Implicit Neural Representation [54.93702310461174]
  一般化可能な暗黙的ニューラル表現(INR)は、単一の連続関数が複数のデータインスタンスを表現することを可能にする。 本稿では、変換器エンコーダと局所性を考慮したINRデコーダを組み合わせた一般化可能なINRのための新しいフレームワークを提案する。 我々のフレームワークは、従来の一般化可能なINRよりも大幅に優れており、下流タスクにおける局所性を考慮した潜在能力の有効性を検証している。
  論文  参考訳（メタデータ） (2023-10-09T11:26:58Z)
• Explainable unsupervised multi-modal image registration using deep networks [2.197364252030876]
  MRI画像登録は、異なるモダリティ、時間点、スライスから幾何学的に「ペア」診断することを目的としている。 本研究では,我々のDLモデルが完全に説明可能であることを示し,さらなる医用画像データへのアプローチを一般化するための枠組みを構築した。
  論文  参考訳（メタデータ） (2023-08-03T19:13:48Z)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• MR-Contrast-Aware Image-to-Image Translations with Generative Adversarial Networks [5.3580471186206005]
  MR取得パラメータの反復時間とエコー時間に基づいて,画像から画像へ生成する敵ネットワークを訓練する。 提案手法はピーク信号対雑音比と24.48と0.66の構造的類似性を示し,ピクセルベンチマークモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2021-04-03T17:05:13Z)
• CoMIR: Contrastive Multimodal Image Representation for Registration [4.543268895439618]
  我々は,CoMIR(Contrastive Multimodal Image Representations)と呼ばれる,共有された高密度画像表現を学習するためのコントラスト符号化を提案する。 CoMIRは、十分に類似した画像構造が欠如しているため、既存の登録方法がしばしば失敗するマルチモーダル画像の登録を可能にする。
  論文  参考訳（メタデータ） (2020-06-11T10:51:33Z)

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。