論文の概要: Registration is a Representation Problem: Solving Whole-Body PET/CT Registration

• arxiv url: http://arxiv.org/abs/2610.18804v2
• Date: Sun, 18 Oct 2026 10:09:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:13:30.915418
• Title: Registration is a Representation Problem: Solving Whole-Body PET/CT Registration
• Title（参考訳）: レジストレーションは表現の問題:全体PET/CTレジストレーションの解決
• Abstract要約: 本稿では,解剖学の相補的表現を用いて対応を確立する手法を提案する。 我々は,Learner2Reg 2026 PSMAReg ChallengeにおけるPET/CTの縦断的登録の有用性を実証した。
• 参考スコア（独自算出の注目度）: 14.539995421961919
• License:
• Abstract: Raw image intensities are a poor surrogate for similarity across images in correspondence problems. Further, while auxiliary segmentation labels can provide semantic identification and improve matching, they can assign only coarse identities to fine-grained anatomy and often cover only a subset of structures, particularly in whole-body settings. We present an approach that instead establishes correspondence using complementary representations of anatomy and demonstrate its utility for longitudinal whole-body PET/CT registration in the Learn2Reg 2026 PSMAReg Challenge. We use our 3D foundation model, anatomix, to derive fine-grained, per-voxel semantic representations that are consistent across volumes and further employ off-the-shelf segmentation models to obtain coarse anatomical identities. Together, these representations drive a GPU-accelerated iterative registration solver (FireANTs) in a hybrid multistage framework: the first stage estimates alignment from dense multi-channel features, after which a second refines the deformation using both anatomix- and segmentation-based losses. Lastly, because registration should not introduce non-biological tumor volume changes across time, we develop lesion-specific, component-wise volume preservation schemes. Without any task-specific training, our system placed first on the PSMAReg Challenge leaderboard. Code and interactive visualizations are available at https://www.neeldey.com/reps-for-reg.
• Abstract（参考訳）: 原画像強度は、対応問題における画像間の類似性において、劣るサロゲートである。 さらに、補助的なセグメンテーションラベルは意味的識別を提供し、マッチングを改善することができるが、粗いアイデンティティのみを微細な解剖学に割り当てることができ、特に体全体の設定において、しばしば一部の構造のみをカバーすることができる。 本稿では,解剖学の相補的表現を用いて対応を確立する手法を提案するとともに,Learn2Reg 2026 PSMAReg Challengeにおける長手全身PET/CT登録の有用性を示す。 我々は3Dファウンデーションモデルである解剖学を用いて、ボリューム間で一貫性のある細粒度で語彙ごとのセグメンテーションを導出し、さらにオフザシェルフセグメンテーションモデルを用いて、粗い解剖学的アイデンティティを得る。 これらの表現は、GPUが加速する反復的登録解決器(FireANT)をハイブリッドマルチステージフレームワークで駆動し、第1段階は、密度の高いマルチチャネル特徴からアライメントを推定し、その後、第2段階は、解剖学的損失とセグメンテーションに基づく損失の両方を用いて変形を洗練する。 最後に,非生物学的な腫瘍容積変化を経時的に導入すべきではないため,病変特異的な成分量保存法を開発した。 タスク固有のトレーニングがなければ、このシステムはまずPSMAReg Challengeのリーダーボードに置かれます。 コードとインタラクティブな視覚化はhttps://www.neeldey.com/reps-for-reg.comで公開されている。

関連論文リスト

• Pretrained, Curriculum-Tuned, and Ensembled: A Tracer-Aware Interactive Segmentation Pipeline for AutoPET V [14.33657441650138]
  本稿では,対話型解剖ガイド法によるTRIAGE,Tracer-aware Refinementを提案する。 本稿では,対話型解剖ガイド法によるTRIAGE,Tracer-aware Refinementを提案する。
  論文  参考訳（メタデータ） (2026-08-31T14:13:09Z)
• H2AL: Hyperbolic Hierarchy-aware Aggregative Learning for Registration-based Few-shot Medical Image Segmentation [11.03182906364409]
  RFMIS (Few-shot Medical Image segmentation) は、ラベル付き画像を登録することでラベルなし画像のための擬似ラベルを生成することを目的としている。 RFMIS, H2ALのためのハイパーボリック・アグリゲーティブ・ラーニング・階層・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-07T15:36:53Z)
• Towards Voxel Spacing Consistency for Medical Image Segmentation [56.992050146446495]
  画像再サンプリングとセグメンテーションの相関について検討し,意味認識型再サンプリングフレームワークであるConsispaceを提案する。 コンシスペースは、解剖学的および意味的一貫性を維持しながら、軸方向における一貫したボクセル間隔を達成する。
  論文  参考訳（メタデータ） (2026-06-30T15:42:23Z)
• Ideal Registration? Segmentation is All You Need [35.78496630045936]
  SegRegは、領域固有の変形パターンを利用して、解剖学的適応的な正規化を実装している。 SegRegは3つの臨床登録シナリオで既存の手法を2-12%上回っている。
  論文  参考訳（メタデータ） (2025-09-19T09:16:34Z)
• Register Anything: Estimating "Corresponding Prompts" for Segment Anything Model [10.548119506549998]
  本稿では,複数対の対応するROIを識別する新しい登録アルゴリズムを提案する。 Diceや解剖学的構造上のターゲット登録エラーなどの指標に基づいて、提案された登録は、強度に基づく反復アルゴリズムと学習に基づくDDF予測ネットワークの両方より優れている。
  論文  参考訳（メタデータ） (2025-08-03T10:00:44Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
  多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。 本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。 入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。 大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
  論文  参考訳（メタデータ） (2022-11-24T23:45:01Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• JSSR: A Joint Synthesis, Segmentation, and Registration System for 3D Multi-Modal Image Alignment of Large-scale Pathological CT Scans [27.180136688977512]
  本稿では,エンドツーエンドの3D畳み込みニューラルネットワークに基づく新しいマルチタスク学習システムJSSRを提案する。 システムは、教師なしの方法で異なるタスク間の暗黙の制約を満たすように最適化されている。 従来型のマルチモーダル登録法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2020-05-25T16:30:02Z)

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。