論文の概要: FloVMos: Optical Flow-based Medical Video Mosaicking
- arxiv url: http://arxiv.org/abs/2610.04258v1
- Date: Sat, 03 Oct 2026 03:29:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-12 12:12:23.066561
- Title: FloVMos: Optical Flow-based Medical Video Mosaicking
- Title（参考訳）: FloVMos:光フローベースの医療ビデオモザイク
- Abstract要約: 本稿では、リアルタイムビデオモザイクのための一般化可能な光フローベースのディープラーニングフレームワークであるFloVMosを紹介する。
FloVMosは, 地絡変形場を用いた合成トレーニングデータに基づいて, 光学フローモデルを微調整することにより, 強靭な画素レベルの登録を実現する。
このデータに基づく自動合成データ生成と光フローモデルトレーニングにより、ユーザはFloVMosを異なる画像モダリティに適応できる。
- 参考スコア（独自算出の注目度）: 2.450351354550582
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biomedical imaging modalities often require a trade-off among resolution, field of view (FOV), and acquisition speed. Video mosaicking offers a strategy to overcome this limitation by computationally stitching sequential high-resolution frames into a wide-FOV composite. However, existing methods struggle with non-rigid deformations, and modality-specific artifacts arising in clinical and research imaging. Here, we present FloVMos, a generalizable, optical-flow-based deep learning framework for real-time video mosaicking across diverse biomedical imaging modalities. FloVMos achieves robust, pixel-level registration by fine-tuning an optical flow model on synthetic training data with ground-truth deformation fields. We introduce a pipeline for generating this training data, simulating realistic tissue motion and imaging distortions from existing mosaics or raw videos. Our automated synthetic data generation and optical flow model training based on this data allow users to adapt FloVMos to different imaging modalities. To demonstrate this, we applied FloVMos to seven diverse imaging modalities: reflection confocal microscopy, open-top light-sheet microscopy, fetoscopy, laparoscopy, dermoscopy, sparse spectral microscopy, and endoscopy. FloVMos outperforms conventional baselines in accuracy, robustness, and speed for all the tested modalities. This adaptable and training-efficient framework enables large-area visualization with real-time performance and may support broader use of video-based biomedical imaging in research and clinical workflows.
- Abstract（参考訳）: 生体医用画像のモダリティは、解像度、視野(FOV)、取得速度のトレードオフを必要とすることが多い。
ビデオモザイク処理は、シーケンシャルな高解像度フレームをワイドFOV合成に縫合することで、この制限を克服する戦略を提供する。
しかし、既存の方法では、臨床や研究のイメージングで生じる非剛性変形や、モダリティ特異的なアーティファクトに苦慮している。
本稿では,FloVMosについて紹介する。FloVMosは,生体医用画像モザイクを多用したリアルタイムビデオモザイクのための,汎用的で光フローベースのディープラーニングフレームワークである。
FloVMosは, 地絡変形場を用いた合成トレーニングデータに基づいて, 光学フローモデルを微調整することにより, 強靭な画素レベルの登録を実現する。
我々は、このトレーニングデータを生成するパイプラインを導入し、現実的な組織の動きをシミュレートし、既存のモザイクや生のビデオから歪みをイメージングする。
このデータに基づく自動合成データ生成と光フローモデルトレーニングにより、ユーザはFloVMosを異なる画像モダリティに適応できる。
これを示すために、FloVMosを反射共焦点顕微鏡、オープントップ光シート顕微鏡、フェトスコープ、腹腔鏡、皮膚鏡、スパース分光顕微鏡、内視鏡の7種類の画像に応用した。
FloVMosは、テストされたすべてのモダリティに対して、従来のベースラインの精度、堅牢性、スピードを上回ります。
この適応的で訓練効率のよいフレームワークは、リアルタイムのパフォーマンスで大面積の可視化を可能にし、研究および臨床ワークフローにおけるビデオベースのバイオメディカルイメージングの幅広い利用を支援することができる。
関連論文リスト
- Frequency-Aware Dual-Stream Learning for Balanced Realism and Fidelity in Electron Microscopy Imaging [13.214177321682373]
既存の学習ベースの手法は、知覚現実主義と量的忠実さのバランスに苦しむ単一ストリームアーキテクチャに依存している。
本研究は、この競合を解決するために周波数適応型デュアルストリームアーキテクチャを導入する。
EMDiffuseデータセットを用いた実験により,LPIPSと解像率に優れた手法が得られた。
論文 参考訳（メタデータ） (2026-07-24T03:09:05Z) - MMBU: A Massive Multi-modal Biomedical Understanding Benchmark to Probe the Perception Capabilities of Vision-Language Models [83.50100003741628]
ビジョンと言語モデル(VLM)は、バイオメディカルイメージングを変革する大きな可能性を秘めている。
本稿では,MMBU(Massive Multimodal Biomedical Understanding)ベンチマークを紹介する。
今までで最大のビジョンと言語ベンチマークで、35のサブモダリティと豊富な構造化メタデータをカバーしている。
論文 参考訳（メタデータ） (2026-06-04T20:24:47Z) - The-Bodega: A Matlab Toolbox for Biologically Dynamic Microbubble Simulations on Realistic Hemodynamic Microvascular Graphs [1.8686303208366433]
The-Bodegaは、超音波顕微鏡データセットをシミュレートするためのMatlabベースのツールボックスである。
マウスの脳からヒトの心臓まで、さまざまな領域にわたる一貫したマイクロ・超音波シミュレーションをサポートします。
画像品質評価,動作解析,新しいULMモダリティのシミュレーションなどの応用例において,その汎用性を実証する。
論文 参考訳（メタデータ） (2025-09-09T21:14:04Z) - Data-Efficient Inference of Neural Fluid Fields via SciML Foundation Model [49.06911227670408]
本研究では,SciML基礎モデルにより,現実の3次元流体力学を推定する際のデータ効率を大幅に向上できることを示す。
基礎モデルから抽出した拡張ビューと流体特徴を利用した新しい協調学習手法をニューラルネットワークに装備する。
論文 参考訳（メタデータ） (2024-12-18T14:39:43Z) - Enhancing Fluorescence Lifetime Parameter Estimation Accuracy with Differential Transformer Based Deep Learning Model Incorporating Pixelwise Instrument Response Function [0.3441582801949978]
蛍光ライフタイムイメージング(FLI)は、組織微小環境に関するユニークな情報を提供する。
近年のディープラーニングの進歩により、蛍光寿命パラメーターの推定が改善されている。
本稿では,実験的な光子時間ヒストグラムとともに,計装応答関数(IRF)を付加入力として統合した新しいDLアーキテクチャであるMFliNetを提案する。
論文 参考訳（メタデータ） (2024-11-25T20:03:41Z) - Leveraging Computational Pathology AI for Noninvasive Optical Imaging Analysis Without Retraining [3.6835809728620634]
非侵襲的な光学画像モダリティは、患者の組織を3Dでプローブし、時間とともに、サンプルごとに臨床的に関係のあるデータをギガバイト生成する。
このデータを分析し、臨床ワークフローを支援するために、AIモデルが必要である。
本稿では,リトレーニングなしで計算病理から任意のAIモデルを適用する手法であるFoundationShiftを紹介する。
論文 参考訳（メタデータ） (2024-11-18T14:35:01Z) - Motion-Aware Video Frame Interpolation [49.49668436390514]
我々は、連続するフレームから中間光の流れを直接推定する動き対応ビデオフレーム補間(MA-VFI)ネットワークを導入する。
受容場が異なる入力フレームからグローバルな意味関係と空間的詳細を抽出するだけでなく、必要な計算コストと複雑さを効果的に削減する。
論文 参考訳（メタデータ） (2024-02-05T11:00:14Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - Learning optical flow from still images [53.295332513139925]
我々は,容易に利用可能な単一の実画像から,高精度な光学的フローアノテーションを迅速かつ多量に生成するフレームワークを提案する。
既知の動きベクトルと回転角を持つ再構成された環境でカメラを仮想的に移動させる。
我々のデータでトレーニングすると、最先端の光フローネットワークは、実データを見るのに優れた一般化を実現する。
論文 参考訳（メタデータ） (2021-04-08T17:59:58Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳（メタデータ） (2020-02-25T14:48:17Z)
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。