論文の概要: ACorD: Adaptive Correspondence Discovery for Medical Image Registration

• arxiv url: http://arxiv.org/abs/2610.25638v1
• Date: Mon, 19 Oct 2026 01:31:04 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:08:33.566622
• Title: ACorD: Adaptive Correspondence Discovery for Medical Image Registration
• Title（参考訳）: ACorD: 医用画像登録のための適応対応対応対応発見
• Abstract要約: ACorDはアダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・ディスカバリー・フレームワークである。 注意力を用いて候補対応を集約し、学習された非一様重み付けを競合する試合に対して生成する。 4つの公開医療登録ベンチマークの実験は、ACorDが様々な解剖学的構造における登録を改善することを示した。
• 参考スコア（独自算出の注目度）: 12.647640049158165
• License:
• Abstract: Medical image registration is a fundamental task for aligning anatomical structures across images. Exhaustively searching for point-wise correspondences is prohibitively expensive in both computation and memory, particularly for high-resolution 3D medical images. Most recent learning-based methods directly predict correspondences in a coarse-to-fine manner, but often propagate intermediate estimates across scales without explicitly weighting correspondence evidence, which can allow coarse-scale errors to persist during refinement. To address these challenges, we propose ACorD, an adaptive correspondence discovery framework designed to mitigate error propagation with an attention-guided process. ACorD first predicts multiple potential correspondence candidates through Correlation-guided Cross-scale Offset Prediction (CCOP), which combines correlation maps as spatial matching priors with cross-scale features as global deformation context. Then, Multi-Head Deformable Aggregation (MHDA) aggregates these candidate correspondences using attention, producing a learned, non-uniform weighting over competing matches rather than treating them equally. The multi-head design further captures complementary deformation patterns, ensuring both global alignment and local precision. By integrating adaptive offset prediction with selective, attention-based aggregation of correspondence evidence, ACorD enables accurate deformation refinement. Extensive experiments on four public medical registration benchmarks demonstrate that adaptive correspondence discovery within a multi-scale refinement framework improves registration robustness across diverse anatomical structures.
• Abstract（参考訳）: 医用画像登録は、画像間で解剖学的構造を整列させるための基本的なタスクである。 特に高解像度の3次元医用画像では、計算とメモリの両方において、高精細な対応を徹底的に探すのは非常に高価である。 最近の学習ベースの手法では、粗大な方法で直接対応を予測できるが、しばしば対応証拠を明示的に重み付けすることなく、中間推定をスケールにわたって伝播させ、粗大なエラーを改善中に持続させることができる。 これらの課題に対処するために,アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・ディスカバリー・フレームワークであるACorDを提案する。 ACorD はまず相関誘導型クロススケールオフセット予測 (CCOP) を用いて複数の潜在的対応候補を予測する。 次に、MHDA(Multi-Head Deformable Aggregation)は、これらの候補対応を注意を用いて集約し、等しく扱うのではなく、競合する試合に対する学習された非一様重み付けを生成する。 マルチヘッド設計は、さらに相補的な変形パターンを捉え、大域的アライメントと局所的精度の両方を保証する。 ACorDは適応オフセット予測を選択的に注意に基づくアグリゲーションと統合することにより、正確な変形補正を可能にする。 4つの公開医療登録ベンチマークの広範囲な実験により、多スケールリファインメントフレームワークにおける適応対応発見は、多様な解剖学的構造におけるレジリエンスの堅牢性を向上させることが示されている。

関連論文リスト

• MAC-XA: Multi-view Anatomy-Correspondence Fusion for Coronary Stenosis Reporting from X-ray Angiography [46.98348758460767]
  冠動脈X線写真における多視点推論は本質的に横射影幾何学的問題である。 我々は、幾何学に基づくパッチレベルの対応管理を公開するために、制御可能な合成血管造影生成戦略を導入する。 合成データおよびゼロショットの実際の血管造影への移動実験により、このアライメントに制約のある設計は、一致の整合性と構造化狭窄の報告を改善することが示されている。
  論文  参考訳（メタデータ） (2026-07-07T13:33:25Z)
• HiMatch-AD: DINOv3-driven Hierarchical Matching for Training-free Medical Anomaly Detection [6.789086317935452]
  HiMatch-ADは、DINOv3によるトレーニングフリーな医療異常検出のための階層的マッチングフレームワークである。 信頼性に応じて地図を適応的に重み付けする統一的不確実性に基づく融合機構を導入する。 脳MRI、肝CT、網膜OCTデータセットを含むBMADベンチマークの実験は、HiMatch-ADがトレーニングベースとDINOベースの最先端の手法の両方を一貫して上回っていることを示した。
  論文  参考訳（メタデータ） (2026-06-21T15:26:48Z)
• SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation [12.0982298854338]
  Continual Test-Time Adaptation (CTTA)は、トレーニング済みのモデルが、ラベルなしドメインの継続的な変更に適応できるようにすることを目的としている。 医用画像セグメンテーションのためのセマンティック・プロンプト拡張グラフクラスタリング(SPEGC)によるCTTAを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:22:43Z)
• Attention-Driven Framework for Non-Rigid Medical Image Registration [15.540035635369504]
  非デジタル医用画像登録のための新しい注意駆動フレームワーク(AD-RegNet)を提案する。 提案手法は3次元UNetバックボーンと双方向のクロスアテンションを組み合わせることで,動画像と固定画像との対応関係を複数スケールで確立する。 提案手法は,登録精度と計算効率のバランスを良好に保ち,臨床応用に適している。
  論文  参考訳（メタデータ） (2026-02-06T09:23:37Z)
• Forgery-aware Adaptive Transformer for Generalizable Synthetic Image Detection [106.39544368711427]
  本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。 本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。 提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
  論文  参考訳（メタデータ） (2023-12-27T17:36:32Z)
• QUIZ: An Arbitrary Volumetric Point Matching Method for Medical Image Registration [10.788848900099385]
  クエリポイントキッザ(QUIZ)という,任意の利害関係のボクセル点に基づく医用画像登録手法を提案する。 本研究は, 頸部がん患者の大変形データセットを用いて本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-30T08:13:40Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• Semantic Correspondence with Transformers [68.37049687360705]
  本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。 初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。 提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
  論文  参考訳（メタデータ） (2021-06-04T14:39:03Z)
• Learning Multi-Modal Volumetric Prostate Registration with Weak Inter-Subject Spatial Correspondence [2.6894568533991543]
  MRシークエンスにおける前立腺の位置に関する事前情報のための補助入力をニューラルネットワークに導入する。 MR-TRUS前立腺データのラベルが弱いことから,最先端のディープラーニング手法に匹敵する登録品質を示した。
  論文  参考訳（メタデータ） (2021-02-09T16:48:59Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。