論文の概要: Reliability-Aware CT-MRI Registration: A Quality Engineering Framework with Stability Analysis and Risk Classification

• arxiv url: http://arxiv.org/abs/2607.02585v1
• Date: Wed, 01 Jul 2026 04:19:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.337939
• Title: Reliability-Aware CT-MRI Registration: A Quality Engineering Framework with Stability Analysis and Risk Classification
• Title（参考訳）: 信頼性を考慮したCT-MRIレジストレーション:安定性解析とリスク分類による品質工学フレームワーク
• Authors: Nisreen Albzour,
• Abstract要約: マルチモーダルCT-MRIは、画像誘導放射線治療、手術ナビゲーション、診断の中心である。 データ学習しきい値を用いて、登録品質をグリーン/イエロー/レッドリスクカテゴリに変換する信頼性対応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）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal CT-MRI registration is central to image-guided radiotherapy, surgical navigation, and diagnostic workflows, but most pipelines report only aggregate quality metrics without per-case reliability signals. We propose a reliability-aware framework that converts registration quality into Green/Yellow/Red risk categories using data-learned thresholds. CT images were registered to T1-weighted MRI using rigid and affine transformations on 90 paired slices from 18 patients across brain, abdominal, and neck anatomies. Reliability was assessed using Delta NMI, Delta SSIM, Dice overlap, registration stability, and inverse consistency error, combined into a single score R. Thresholds learned from training patients were applied unchanged to held-out test patients. Affine registration outperformed rigid registration on NMI and SSIM, yielding 44% Green classifications versus 33% for rigid. Reliability-filtered registrations improved the average alignment profile compared with unfiltered methods. Per-anatomy analysis showed substantial variation, with stronger reliability for abdominal registrations than brain registrations. Weight sensitivity analysis identified Dice overlap as the dominant reliability component. The proposed framework provides an interpretable quality-control layer for multimodal registration, while risk thresholds reflect statistical rather than clinical validation.
• Abstract（参考訳）: マルチモーダルCT-MRIの登録は、画像誘導放射線治療、手術ナビゲーション、診断ワークフローの中心であるが、ほとんどのパイプラインは、ケースごとの信頼性信号なしで品質指標を集計するのみである。 データ学習しきい値を用いて、登録品質をグリーン/イエロー/レッドリスクカテゴリに変換する信頼性対応フレームワークを提案する。 CT画像はT1強調MRIに登録され, 脳, 腹部, 頸部解剖上18例の90対のスライスに対して, 剛性およびアフィン変換を行った。 デルタNMI,デルタSSIM,Diceオーバーラップ,登録安定性,逆整合性誤差を単一スコアRに組み合わせて信頼性を評価した。 アフィンの登録は、NMIとSSIMの厳格な登録よりも優れており、グリーンの分類は44%、厳格な登録は33%であった。 信頼度フィルタによる登録では,非フィルタリング法と比較して平均アライメントプロファイルが改善した。 解剖学的所見では,脳登録よりも腹部登録の信頼性が高かった。 重量感度分析によりDice重なりが主な信頼性成分であることがわかった。 提案フレームワークはマルチモーダル登録のための解釈可能な品質制御層を提供するが,リスク閾値は臨床的検証よりも統計的に反映する。

関連論文リスト

• TCIP: Threshold-Controlled Iterative Pyramid Network for Deformable Medical Image Registration [21.283219565079413]
  ピラミッドネットワークにおける各デコード層のコアコンポーネントとして機能強化残留モジュール(FERM)を提案する。 FERMは、解剖学的意味的特徴を抽出し、無関係な特徴を抑えることを学習し、最終的な変形場を推定する3つの連続ブロックから構成される。 我々は FERM と TCI をThreshold-Controlled Iterative Pyramid (TCIP) として統合するモデルを作成した。
  論文  参考訳（メタデータ） (2025-10-09T01:38:40Z)
• Uncovering Overconfident Failures in CXR Models via Augmentation-Sensitivity Risk Scoring [1.9837702647603577]
  胸部X線写真(CXR)症例を同定するために,ASRS(Augmentation-sensitive risk score)フレームワークを提案する。 ASRSのスコアは、サンプルを安定四成分に成層化し、非常に敏感なケースではリコールがかなり低い。 ASRSは、選択的な予測と臨床レビューのためのラベルなしの手段を提供し、医療AIの公正性と安全性を改善している。
  論文  参考訳（メタデータ） (2025-10-02T05:15:40Z)
• SmaRT: Style-Modulated Robust Test-Time Adaptation for Cross-Domain Brain Tumor Segmentation in MRI [15.54859394044201]
  我々はSmaRTを提案する。SmaRTは、スタイル変調された堅牢なテスト時間適応フレームワークである。 SmaRTは、外観の相違を軽減するためにスタイル認識の強化、安定した擬似ラベルリファインメントのためのデュアルブランチモーメント戦略、一貫性、整合性、接続性を高める構造的先行性を統合する。 サハラ以南のアフリカと小児グリオーマデータセットの評価において、SmaRTは一貫して最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2025-09-22T15:50:59Z)
• TBSS++: A novel computational method for Tract-Based Spatial Statistics [6.1908590616944785]
  クロスオブジェクト tract-specific analysis は、dMRIにおける最も一般的な計算の1つである。 これらの研究の正確さと信頼性は、被験者間で同じ白い物質を正確に比較できる能力に基づいている。 既存の手法の限界を克服する新しい計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-07T22:12:51Z)
• 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)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• The Brain Tumor Sequence Registration (BraTS-Reg) Challenge: Establishing Correspondence Between Pre-Operative and Follow-up MRI Scans of Diffuse Glioma Patients [31.567542945171834]
  脳腫瘍シーケンス登録(BraTS-Reg)の課題について述べる。 BraTS-Regは、変形可能な登録アルゴリズムのための最初の公開ベンチマーク環境である。 BraTS-Regの目的は、引き続き研究の活発な資源として機能することである。
  論文  参考訳（メタデータ） (2021-12-13T19:25:16Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。