論文の概要: DrivenMorph: Bridging Attention Mechanism and Variational Image Registration via Difference Modeling
- arxiv url: http://arxiv.org/abs/2606.30183v1
- Date: Mon, 29 Jun 2026 11:57:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:16.21104
- Title: DrivenMorph: Bridging Attention Mechanism and Variational Image Registration via Difference Modeling
- Title（参考訳）: DrivenMorph: 差異モデリングによるブリッジアテンション機構と変分画像登録
- Abstract要約: 本稿では,変動画像登録による注意機構を橋渡しする新しいDrivenMorphフレームワークを提案する。
結果として生じる駆動力は、潜在特徴空間の局所的な差異から計算され、登録プロセス全体を通して明示的な意味的ガイダンスを提供する。
我々のアプローチは、従来の登録原則を一般的なディープネットワークと統合するだけでなく、差分モデリングと変形を分離する。
- 参考スコア（独自算出の注目度）: 3.57050501208186
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image registration benefits significantly from deep learning, yet existing approaches often lack physical explainability and fine-grained deformation control. Motivated by Demons algorithms, we propose a novel DrivenMorph framework that bridges attention mechanisms with variational image registration by incorporating difference modeling as a physically inspired inductive bias. The resulting driving force, computed from local differences in the latent feature space, provides explicit semantic guidance throughout the registration process. It directly drives the registration process through a neural Demons layer that simulates force-displacement interactions to generate smooth and anatomically consistent deformation. Unlike previous methods, our approach not only integrates traditional registration principles with popular deep networks, providing an explainable and efficient solution for learning-based medical image registration, but also separates difference modeling from deformation, improving modularity and explainability. Extensive experiments on multiple 3D brain MRI datasets demonstrate superior performance over state of-the-art learning-based and optimization-based methods. Furthermore, visualizations and statistical analyses confirm that the learned driving force aligns closely with actual deformation patterns, supporting its explanatory value.
- Abstract（参考訳）: 医用画像の登録は深層学習から大きな恩恵を受けるが、既存のアプローチでは物理的説明可能性や微細な変形制御が欠如していることが多い。
Demonsアルゴリズムによって動機付けられた新しいDrivenMorphフレームワークを提案する。このフレームワークは,差分モデリングを物理的にインスパイアされた帰納的バイアスとして組み込むことで,注意機構を変動画像登録でブリッジする。
結果として生じる駆動力は、潜在特徴空間の局所的な差異から計算され、登録プロセス全体を通して明示的な意味的ガイダンスを提供する。
これは、スムーズで解剖学的に一貫した変形を生成するために、力-変位相互作用をシミュレートするニューラル・デーモン層を通じて、登録プロセスを直接駆動する。
従来の手法とは違って,従来の登録原則を一般的なディープネットワークと統合し,学習ベースの医用画像登録のための説明可能かつ効率的なソリューションを提供するとともに,差異モデリングを変形から分離し,モジュラリティと説明可能性を向上させる。
複数の3次元脳MRIデータセットに対する大規模な実験は、最先端の学習ベースおよび最適化ベースの手法よりも優れた性能を示す。
さらに、可視化と統計的解析により、学習された駆動力が実際の変形パターンと密接に一致し、説明値が支持されることを確認した。
関連論文リスト
- CoRe: Joint Optimization with Contrastive Learning for Medical Image Registration [2.6926304126225893]
本稿では,コントラスト学習を直接登録モデルに統合する新しいフレームワークを提案する。
コントラストと登録の目的を協調的に最適化することにより、学習された表現が情報だけでなく、登録作業にも適していることを保証する。
論文 参考訳（メタデータ） (2026-03-24T20:08:34Z) - Multimodal Diffeomorphic Registration with Neural ODEs and Structural Descriptors [0.0]
ニューラル正規微分方程式を用いた多モード微分型登録法(ニューラルモード)
非剛性登録アルゴリズムは、その精度、変形モデルの計算複雑性、および適切な正規化の間のトレードオフを示す。
本稿では,トレーニングにおいて高いスキャン要求を満たさず,トレーニング中に見つからないモダリティの推測時に劣化することのない,インスタンス固有のフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-27T19:38:37Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [59.062085785106234]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - Latent State Models of Training Dynamics [51.88132043461152]
異なるランダムなシードでモデルをトレーニングし、トレーニングを通じてさまざまなメトリクスを計算します。
次に、結果のメトリクス列に隠れマルコフモデル(HMM)を適合させる。
我々はHMM表現を用いて相転移を研究し、収束を遅くする潜伏状態(detour state)を特定する。
論文 参考訳（メタデータ） (2023-08-18T13:20:08Z) - Unsupervised Image Registration Towards Enhancing Performance and
Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。
本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。
本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
論文 参考訳（メタデータ） (2022-03-07T12:54:33Z) - DiffuseMorph: Unsupervised Deformable Image Registration Along
Continuous Trajectory Using Diffusion Models [31.826844124173984]
DiffuseMorphと呼ばれる拡散モデルに基づく新しい確率的画像登録手法を提案する。
本モデルは,動画像と固定画像の変形のスコア関数を学習する。
本手法は, トポロジー保存機能により, 柔軟かつ高精度な変形を可能とする。
論文 参考訳（メタデータ） (2021-12-09T08:41:23Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z) - An Auto-Context Deformable Registration Network for Infant Brain MRI [54.57017031561516]
本稿では, 自動文脈戦略を用いて変形場を段階的に洗練する幼児向け深層登録ネットワークを提案する。
本手法は, 繰り返し変形改善のために1つのネットワークを複数回呼び出すことにより, 変形場を推定する。
現状登録法との比較実験の結果, 変形場の滑らかさを保ちながら, 高い精度を達成できることが示唆された。
論文 参考訳（メタデータ） (2020-05-19T06:00:13Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z) - Deform-GAN:An Unsupervised Learning Model for Deformable Registration [4.030402376540977]
本稿では,教師なし学習を利用した3次元医用画像の非剛性登録手法を提案する。
提案した勾配損失は、大きな変形のためのシーケンスやモーダルにわたって頑健である。
トレーニング中は、接地や手動のラベリングは必要とされない。
論文 参考訳（メタデータ） (2020-02-26T12:20:46Z)
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。