論文の概要: Modality-Invariant Coarse-to-Fine Retinal Image Registration
- arxiv url: http://arxiv.org/abs/2608.14829v1
- Date: Fri, 14 Aug 2026 19:03:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.09855
- Title: Modality-Invariant Coarse-to-Fine Retinal Image Registration
- Title（参考訳）: モダリティ不変粗視網膜画像レジストレーション
- Abstract要約: 網膜画像登録のための一般化可能な2段階モード不変フレームワークを提案する。
まず、広義の粗い大域アライメントを実現するために、普遍網膜血管セグメンテーションによって駆動されるスパース特徴マッチングモデルを導入する。
第2に、高密度局所登録によりアライメントを洗練させるために、MI-RAFTと呼ばれる変調不変光フロー推定ネットワークを開発する。
- 参考スコア（独自算出の注目度）: 5.914948089008452
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retinal image registration is essential for ophthalmic diagnosis, longitudinal disease monitoring, and multimodal retinal image analysis. Existing retinal registration methods are typically modality-dependent: they are designed or optimized either for a single imaging modality in mono-modal registration or for a fixed pair of modalities in cross-modal registration. This limits their flexibility and applicability in practical scenarios involving diverse retinal imaging modalities and different combinations of them. In this work, we propose a generalizable two-stage, modality-invariant framework for retinal image registration. First, we introduce a sparse feature-matching model driven by a universal retinal vessel segmentation to achieve robust coarse global alignment across modalities. Second, we develop a modality-invariant optical flow estimation network, termed MI-RAFT, to refine the alignment through dense local registration. Extensive experiments demonstrate that the proposed method can handle diverse combinations of commonly used retinal imaging modalities, exhibiting strong modality invariance while outperforming state-of-the-art modality-dependent registration methods.
- Abstract（参考訳）: 網膜画像の登録は、眼科診断、縦断性疾患のモニタリング、マルチモーダル網膜画像解析に不可欠である。
既存の網膜登録法は通常モダリティに依存しており、モノモダリティの単一の画像モダリティや、クロスモダリティの固定対のモダリティのために設計または最適化されている。
これにより、様々な網膜画像モダリティとそれらの異なる組み合わせを含む現実的なシナリオにおける柔軟性と適用性が制限される。
本研究では、網膜画像登録のための一般化可能な2段階のモジュラリティ不変フレームワークを提案する。
まず,全網膜血管セグメンテーションによって駆動されるスパース特徴マッチングモデルを導入し,モジュール間の粗い大域的アライメントを実現する。
第2に、高密度局所登録によりアライメントを洗練させるために、MI-RAFTと呼ばれる変調不変光フロー推定ネットワークを開発する。
広汎な実験により, 提案手法は多種多様な網膜画像モダリティの組合せを扱え, 強いモダリティ不変性を示すとともに, 最先端のモダリティ依存的登録法よりも優れていた。
関連論文リスト
- Particle Diffusion Matching: Random Walk Correspondence Search for the Alignment of Standard and Ultra-Widefield Fundus Images [47.944896477309555]
標準ファンドス画像(SFI)とウルトラウェードフィールドファンドス画像(UWFI)のためのロバストアライメント手法を提案する。
本手法は粒子拡散マッチング (Particle Diffusion Matching, PDM) と呼ばれ, 拡散モデルにより誘導される反復ランダムウォーク対応探索 (RWCS) を通してアライメントを行う。
PDMは複数の網膜画像アライメントベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-04-11T08:09:53Z) - Bridging Modalities: Joint Synthesis and Registration Framework for Aligning Diffusion MRI with T1-Weighted Images [8.802336586929613]
本稿では,生成登録ネットワークに基づく教師なし登録フレームワークを提案する。
これにより、b0およびT1w画像間の元のマルチモーダル登録問題を、生成された画像と実際のT1w画像との間の一元的登録タスクに変換する。
2つの独立したデータセットで行った実験により、提案手法はマルチモーダル登録タスクにおける最先端のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2026-01-16T13:22:21Z) - Multimodal Medical Endoscopic Image Analysis via Progressive Disentangle-aware Contrastive Learning [11.158864816564538]
本稿では,Align-Disentangle-Fusion'機構に基づく,革新的な多モード表現学習フレームワークを提案する。
本手法は最先端のアプローチを一貫して上回り,様々な臨床シナリオにおいて高い精度を達成している。
論文 参考訳（メタデータ） (2025-08-23T03:02:51Z) - Robust Incomplete-Modality Alignment for Ophthalmic Disease Grading and Diagnosis via Labeled Optimal Transport [28.96009174108652]
眼底画像と光コヒーレンス断層撮影(OCT)を併用したマルチモーダル眼底画像診断を行った。
既存の一般的なパイプライン、例えばモダリティ計算や蒸留法は、顕著な制限に直面している。
本稿では,眼科診断の課題において欠落したモダリティを頑健に扱える新しい多モードアライメントと融合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-07T13:36:39Z) - Unsupervised Multimodal 3D Medical Image Registration with Multilevel Correlation Balanced Optimization [22.633633605566214]
マルチレベル相関バランス最適化に基づく教師なしマルチモーダル医用画像登録手法を提案する。
異なるモードの術前医療画像に対して、変形場間の最大融合により有効な情報のアライメントと積み重ねを実現する。
論文 参考訳（メタデータ） (2024-09-08T09:38:59Z) - Progressive Retinal Image Registration via Global and Local Deformable Transformations [49.032894312826244]
我々はHybridRetinaと呼ばれるハイブリッド登録フレームワークを提案する。
キーポイント検出器とGAMorphと呼ばれる変形ネットワークを用いて、大域的な変換と局所的な変形可能な変換を推定する。
FIREとFLoRI21という2つの広く使われているデータセットの実験により、提案したHybridRetina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） (2024-09-02T08:43:50Z) - Breaking Modality Disparity: Harmonized Representation for Infrared and
Visible Image Registration [66.33746403815283]
シーン適応型赤外線と可視画像の登録を提案する。
我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。
我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
論文 参考訳（メタデータ） (2023-04-12T06:49:56Z) - 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) - Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。
我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。
私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
論文 参考訳（メタデータ） (2021-10-15T13:16:59Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - 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) - Hi-Net: Hybrid-fusion Network for Multi-modal MR Image Synthesis [143.55901940771568]
マルチモーダルMR画像合成のためのHybrid-fusion Network(Hi-Net)を提案する。
当社のHi-Netでは,各モーダリティの表現を学習するために,モーダリティ特化ネットワークを用いている。
マルチモーダル合成ネットワークは、潜在表現と各モーダルの階層的特徴を密結合するように設計されている。
論文 参考訳（メタデータ） (2020-02-11T08:26:42Z)
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。