論文の概要: Two-Parameter Flow Map Learning for Continuous-Time Diffeomorphic Image Registration
- arxiv url: http://arxiv.org/abs/2609.10789v1
- Date: Wed, 09 Sep 2026 19:52:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.122083
- Title: Two-Parameter Flow Map Learning for Continuous-Time Diffeomorphic Image Registration
- Title（参考訳）: 連続時間微分画像登録のための2パラメータフローマップ学習
- Abstract要約: 非自律ODEの連続時間解を学習するためのフレームワークを提案する。
提案手法は,脳MRIベンチマークでは平均2.1%,肺CTでは12%,心臓MRIや超音波データセットでは2.6%のDice改善を実現している。
- 参考スコア（独自算出の注目度）: 2.90768408993315
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffeomorphic image registration is central to medical image analysis, enabling anatomically consistent alignment across subjects. Most learning-based diffeomorphic methods model autonomous ODEs(ordinary differential equations) by parameterizing a stationary velocity field and recovering deformations via scaling-and-squaring. While non-autonomous ODEs with time-dependent velocities increase expressiveness, existing approaches rely on numerical integration to implicitly enforce flow structure that entangles model expressiveness with discretization accuracy. We propose a framework to directly learn the continuous-time solution of a non-autonomous ODE formulated as a two-parameterflow map. By enforcing cocycle consistency, a fundamental structural property of time-varying flows, we learn the flow maps without time discretization and velocity integration during training. The framework recovers diffeomorphic mappings at inference using a small number of compositions. Our proposed framework seamlessly incorporates standard registration backbones and improves alignment accuracy consistently across nine datasets while preserving diffeomorphic structure. Notably, the proposed method achieves an average Dice improvement of 2.1% on brain MRI benchmarks, a 12% TRE reduction on lung CT, and a 2.6% Dice gain on cardiac MRI and ultrasound datasets.
- Abstract（参考訳）: 異形画像登録は、医学的画像解析の中心であり、被験者間で解剖学的に一貫したアライメントを可能にする。
ほとんどの学習に基づく微分同相法は、定常速度場をパラメータ化し、スケーリング・アンド・スクアリングにより変形を回復することにより、自律的ODE(正規微分方程式)をモデル化する。
時間依存速度を持つ非自明なODEは表現性を増大させるが、既存のアプローチでは、離散化精度で表現性をモデル化するフロー構造を暗黙的に強制する数値積分に頼っている。
本研究では,2パラメータフローマップとして定式化された非自律的ODEの連続時間解を直接学習するフレームワークを提案する。
時変流の基本的な構造特性であるコサイクル一貫性を強制することにより,学習中の時間離散化や速度積分を伴わないフローマップを学習する。
このフレームワークは少数の合成を用いて、推論時に微分同相写像を復元する。
提案するフレームワークは,標準登録バックボーンをシームレスに組み込んで,9つのデータセット間のアライメント精度を一貫して向上するとともに,微分型構造を保存する。
提案手法は,脳MRIベンチマークでは平均2.1%のDice改善,肺CTでは12%のTRE低下,心臓MRIや超音波データセットでは2.6%のDice向上を実現している。
関連論文リスト
- Moving Beyond Functional Connectivity: Time-Series Modeling for fMRI-Based Brain Disorder Classification [8.837732238971187]
機能的磁気共鳴イメージング(fMRI)は、血液酸素レベル依存(BOLD)シグナルをキャプチャすることで、非侵襲的な脳障害の分類を可能にする。
既存のほとんどの手法はピアソン相関による機能接続(FC)に依存している。
5つの公開データセットにまたがる生のBOLD信号に関する最先端の時間モデルをベンチマークする。
論文 参考訳（メタデータ） (2026-02-09T04:42:42Z) - Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。
拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。
LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
論文 参考訳（メタデータ） (2025-11-11T08:40:28Z) - Physics-Informed Neural ODEs for Temporal Dynamics Modeling in Cardiac T1 Mapping [6.962636711572467]
任意の時間ラグでLook-Lockerデータを取得するための連続時間LSTM-ODEモデルを開発した。
実験の結果,ネイティブシーケンスとポストコントラストシーケンスの両方において,$T_$推定において優れた性能を示した。
論文 参考訳（メタデータ） (2025-07-01T09:47:22Z) - X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。
新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
論文 参考訳（メタデータ） (2025-03-27T17:59:57Z) - MultiPDENet: PDE-embedded Learning with Multi-time-stepping for Accelerated Flow Simulation [48.41289705783405]
マルチスケールタイムステップ(MultiPDENet)を用いたPDE組み込みネットワークを提案する。
特に,有限差分構造に基づく畳み込みフィルタを少数のパラメータで設計し,最適化する。
4階ランゲ・クッタ積分器を微細な時間スケールで備えた物理ブロックが確立され、PDEの構造を埋め込んで予測を導出する。
論文 参考訳（メタデータ） (2025-01-27T12:15:51Z) - Domain-conditioned and Temporal-guided Diffusion Modeling for Accelerated Dynamic MRI Reconstruction [5.116849432626762]
dDiMoフレームワークは、時間分解次元から時間情報を統合する。
提案手法は, 心的マルチコイルMRIとGolden-Radial-Angle-acquired multicoil free-acquired MRIの2種類のMRIデータを用いて検討した。
論文 参考訳（メタデータ） (2025-01-16T05:39:50Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Learning Diffeomorphism for Image Registration with Time-Continuous Networks using Semigroup Regularization [4.995343972237369]
微分型3次元画像登録のための学習に基づく手法を提案する。
フローマップの基本特性である半群特性を正規化の唯一の形式として活用する。
この結果から, 連続的に微分同相をモデル化することで, 登録性能が向上することが示唆された。
論文 参考訳（メタデータ） (2024-05-29T01:25:43Z) - Moment evolution equations and moment matching for stochastic image
EPDiff [68.97335984455059]
画像変形モデルにより、画像領域を変形させることにより、時間連続的な画像変換の研究が可能になる。
応用例としては、人口傾向とランダムな被写体特定変異の両方を用いた医療画像分析がある。
パラメータフルモデルにおける統計的推測のための推定器を構築するために、対応する伊藤拡散のモーメント近似を用いる。
論文 参考訳（メタデータ） (2021-10-07T11:08:11Z) - Nesterov Accelerated ADMM for Fast Diffeomorphic Image Registration [63.15453821022452]
ディープラーニングに基づくアプローチの最近の発展は、DiffIRのサブ秒間実行を実現している。
本稿では,中間定常速度場を機能的に構成する簡易な反復スキームを提案する。
次に、任意の順序の正規化項を用いて、これらの速度場に滑らかさを課す凸最適化モデルを提案する。
論文 参考訳（メタデータ） (2021-09-26T19:56:45Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z)
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。