論文の概要: BINDER: A Latent Variable Model for Probabilistic Medical Image Registration

• arxiv url: http://arxiv.org/abs/2609.19875v1
• Date: Thu, 17 Sep 2026 08:27:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.164823
• Title: BINDER: A Latent Variable Model for Probabilistic Medical Image Registration
• Title（参考訳）: BINDER:確率的医用画像登録のための潜在変数モデル
• Abstract要約: 汎用的な医用画像登録のための新しい確率モデルを提案する。 我々は、クローズドフォーム反復更新のみを含む専用最適化とMCMCサンプリング手法を導出する。 対応するサンプリング器は、非常に高次元の3次元変形を伴うマルチモーダル登録シナリオにおいて、初めて不確実性を定量化することができる。
• 参考スコア（独自算出の注目度）: 1.4040086130718648
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a new probabilistic model for general-purpose medical image registration that builds upon the mutual information registration criterion. It centers around a spatial interpolation technique that assumes latent voxel-wise correspondences between the images being registered. By exploiting these latent variables, we derive dedicated optimization and MCMC sampling techniques that only involve closed-form iterative updates. When applied to nonlinear registration, an efficient demons-like optimization algorithm is obtained that shows robust out-of-the-box performance across a variety of monomodal and multimodal registration tasks. We also demonstrate a corresponding sampler that can quantify, for the first time, uncertainty in multimodal registration scenarios with very high-dimensional 3D deformations. Our code, which we call BINDER (Bayesian INference for DEformable Registration), is freely available at https://github.com/ste93ste/BINDER.
• Abstract（参考訳）: 本稿では,相互情報登録基準に基づく汎用的医用画像登録のための新しい確率モデルを提案する。 空間補間技術を中心に、登録されている画像間の潜在ボクセル対応を仮定する。 これらの潜伏変数を利用することで、クローズドフォーム反復更新のみを含む専用最適化とMCMCサンプリング手法を導出する。 非線形登録に適用すると、様々なモノモーダルおよびマルチモーダル登録タスクにまたがる堅牢なアウト・オブ・ザ・ボックス性能を示す効率的なデモンズ様最適化アルゴリズムが得られる。 また,高次元の3次元変形を伴うマルチモーダル登録シナリオにおいて,初めて不確実性を定量化するサンプルを提示する。 私たちのコードはBINDER(Bayesian Inference for Deformable Registration)と呼ばれ、https://github.com/ste93ste/BINDERで無料で利用可能です。

関連論文リスト

• Adapting Frozen Mono-modal Backbones for Multi-modal Registration via Contrast-Agnostic Instance Optimization [6.63504422595921]
  我々は,凍結事前訓練されたtextbfmono-modal 画像登録モデルと,textbfmulti-modal 画像登録のための軽量適応パイプラインを統合する登録フレームワークを提案する。 我々は,Learner2Reg 2025 LUMIR検証セットに対するアプローチを評価し,事前訓練したモノモーダルバックボーンに対する一貫した改善を観察する。
  論文  参考訳（メタデータ） (2026-03-27T13:21:19Z)
• MIFNet: Learning Modality-Invariant Features for Generalizable Multimodal Image Matching [54.740256498985026]
  キーポイントの検出と記述方法は、しばしばマルチモーダルデータと競合する。 マルチモーダル画像マッチングにおけるキーポイント記述に対するモダリティ不変特徴量を計算するためのモダリティ不変特徴量学習ネットワーク(MIFNet)を提案する。
  論文  参考訳（メタデータ） (2025-01-20T06:56:30Z)
• PULPo: Probabilistic Unsupervised Laplacian Pyramid Registration [3.2868275835047243]
  変形可能な画像登録は多くの医療画像応用に基礎がある。 本研究では不確実な定量化が可能な確率的変形可能な登録法であるPULPoを提案する。
  論文  参考訳（メタデータ） (2024-07-15T09:30:31Z)
• Fast Diffeomorphic Image Registration using Patch based Fully Convolutional Networks [5.479932919974457]
  本稿では,高速な微分画像登録のための,教師なし学習に基づく完全畳み込みネットワーク(FCN)フレームワークを提案する。 3つの異なるT1強調MRI(T1w MRI)データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-04-05T17:46:38Z)
• MAD: Modality Agnostic Distance Measure for Image Registration [14.558286801723293]
  マルチモーダル画像登録は多くの医療応用において重要な前処理ステップである。 画像の固有な幾何学をランダムな畳み込みを用いて学習する手法である、Modality Agnostic Distance (MAD)を提案する。 我々は、MADがマルチモーダル画像のアフィニシャルな登録を成功させるだけでなく、従来の計測値よりも大きなキャプチャ範囲を持つことを実証した。
  論文  参考訳（メタデータ） (2023-09-06T09:59:58Z)
• DISA: DIfferentiable Similarity Approximation for Universal Multimodal Registration [39.44133108254786]
  表現力のあるクロスモーダル記述子を作成するための汎用フレームワークを提案する。 私たちは、小さな畳み込みニューラルネットワークの特徴空間において、既存のメトリクスをドット積で近似することで、これを実現する。 本手法は局所的なパッチベースの指標よりも数桁高速であり,臨床現場で直接適用することができる。
  論文  参考訳（メタデータ） (2023-07-19T12:12:17Z)
• MM-TTA: Multi-Modal Test-Time Adaptation for 3D Semantic Segmentation [104.48766162008815]
  本稿では,3次元セマンティックセグメンテーションのためのテスト時間適応のマルチモーダル拡張を提案する。 マルチモダリティを最大限に活用できるフレームワークを設計するために、各モダリティは他のモダリティに対して正規化された自己監督信号を提供する。 正規化された擬似ラベルは、多数の多モードテスト時間適応シナリオにおいて安定した自己学習信号を生成する。
  論文  参考訳（メタデータ） (2022-04-27T02:28:12Z)
• 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)
• DeepGMR: Learning Latent Gaussian Mixture Models for Registration [113.74060941036664]
  ポイントクラウドの登録は、3Dコンピュータビジョン、グラフィックス、ロボット工学の基本的な問題である。 本稿では,最初の学習ベース登録法であるDeep Gaussian Mixture Registration(DeepGMR)を紹介する。 提案手法は,最先端の幾何学的および学習的登録手法と比較して,良好な性能を示す。
  論文  参考訳（メタデータ） (2020-08-20T17:25:16Z)
• 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)

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。