論文の概要: A thorough review on Deep Learning approaches to 2D-to-3D Registration in Medical Imaging
- arxiv url: http://arxiv.org/abs/2611.17468v1
- Date: Thu, 12 Nov 2026 19:52:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.251737
- Title: A thorough review on Deep Learning approaches to 2D-to-3D Registration in Medical Imaging
- Title(参考訳): 医用画像における2D-to-3Dレジストレーションへのディープラーニングアプローチの徹底的検討
- Abstract要約: 2D-to-3D画像の登録は、いくつかの医学的目的のために重要な要素である。
ディープラーニング(DL)は、改善された初期アライメントと高い計算要求を提供する代替手段として登場した。
本稿では,2次元から3次元の登録に固有の課題に対処するために開発されたDLフレームワークを包括的に分析する。
- 参考スコア(独自算出の注目度): 7.59518389204931
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 2D-to-3D image registration is a key component for several medical imaging purposes such as intraoperative guidance, enabling the alignment between preoperative 3D volumes and real-time 2D images. While conventional optimisation-based methods often struggle with non-convex objectives, sensitivity to initialisation, and high computational demands, deep learning (DL) has emerged as a promising alternative, offering improved alignment robustness and the potential for real-time performance. This review provides a comprehensive analysis of DL frameworks developed to address the challenges inherent in 2D-to-3D registration. We first outline how core concepts of DL are adapted to the registration problem. We then examine recent methodological advancements from multiple perspectives, including pipeline design, architectural innovations, and domain adaptation strategies. Particular attention is given to quantitative metrics, highlighting how performance is defined and measured across studies. Across the 41 included studies, we find that direct regression is the most common pipeline (23 studies, against 18 iterative ones), that hybrid CNN-attention architectures are gaining ground, and that research remains heavily concentrated on X-ray-to-CT registration. We conclude by identifying the absence of per-case uncertainty estimation and the strong neglect of temporal or sequential modelling as the two methodological gaps most consequential for clinical readiness, and discuss state-space models as a way to add temporal memory within intraoperative latency budgets. Further opportunities lie in more principled domain adaptation and in the integration of foundation models for representation learning.
- Abstract(参考訳): 2D-to-3D画像の登録は、術前の3Dボリュームとリアルタイムの2D画像のアライメントを可能にする、術中誘導などのいくつかの医学的目的のための重要な要素である。
従来の最適化手法は,非凸目的,初期化に対する感受性,高い計算要求に苦しむことが多いが,ディープラーニング(DL)は,アライメントの堅牢性の向上とリアルタイムパフォーマンスの可能性が期待できる代替手段として浮上している。
本稿では,2次元から3次元の登録に固有の課題に対処するために開発されたDLフレームワークを包括的に分析する。
まず、DLの中核となる概念がどのように登録問題に適応しているかを概説する。
次に、パイプライン設計、アーキテクチャの革新、ドメイン適応戦略など、複数の観点からの最近の方法論的進歩について検討する。
定量的メトリクスには特に注意が払われており、パフォーマンスがどのように定義され、研究全体で測定されるかを強調している。
41の研究では、直接回帰が最も一般的なパイプライン(23の研究、18の反復的な研究)であり、ハイブリッドCNNアテンションアーキテクチャが着地し、X線からCTへの登録に強く依存していることが判明した。
症例ごとの不確実性評価の欠如と時間的・シーケンシャルなモデリングの欠如を臨床準備に最も適した2つの方法論的ギャップとして同定し,術中遅延予算に時間的メモリを追加する方法として状態空間モデルについて議論した。
さらなる機会は、より原則化されたドメイン適応と、表現学習のための基礎モデルの統合にある。
関連論文リスト
- How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。
このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
論文 参考訳(メタデータ) (2026-08-13T14:35:20Z) - Preoperative-to-intraoperative Liver Registration for Laparoscopic Surgery via Latent-Grounded Correspondence Constraints [51.7011449975586]
Land-Regは変形可能な登録フレームワークで、潜伏した2D-3Dのランドマーク対応を学習する。
厳格な登録のために、Land-Regはクロスモーダルラテントアライメントモジュールを採用している。
類似性マッチングを持つ不確実なオーバーラップランドマーク検出器を提案し, 明確な2D-3Dランドマーク対応を強く推定する。
論文 参考訳(メタデータ) (2026-03-02T10:44:03Z) - Temporally-Aware Diffusion Model for Brain Progression Modelling with Bidirectional Temporal Regularisation [7.097850157718258]
現在のアプローチでは、構造変化と時間間隔の関係を明示的に把握できない。
ほとんどのアプローチは2Dスライスベースのアーキテクチャに依存しており、3D解剖学的コンテキストを完全に無視している。
我々は,MRIボリュームの脳の進行を正確に予測する3次元時間認識拡散モデル(TADM-3D)を提案する。
論文 参考訳(メタデータ) (2025-09-03T08:51:38Z) - Latent Interpolation Learning Using Diffusion Models for Cardiac Volume Reconstruction [26.7771170972558]
既存の手法では、事前定義されたスキームへの依存、計算の非効率性、追加のセマンティック入力への依存など、課題に直面している。
スパーススライス間の複雑で非時間的関係を捉えることができる,データ駆動型潜在性補間拡散(CaLID)フレームワークを提案する。
第2に,潜伏空間で動作し,24倍の3次元ハートアップサンプリングを高速化し,計算時間を短縮する計算効率のよい手法を設計する。
第3に,提案手法を2D+Tデータに拡張し,時間的コヒーレンスを効果的にモデル化する。
論文 参考訳(メタデータ) (2025-08-19T13:36:16Z) - Abnormality-Driven Representation Learning for Radiology Imaging [0.8321462983924758]
病変強調型コントラスト学習(LeCL)は,CTスキャンの異なる部位にわたる2次元軸方向スライスにおける異常により引き起こされる視覚的表現を得るための新しい手法である。
本研究は, 腫瘍病変位置, 肺疾患検出, 患者ステージングの3つの臨床的課題に対するアプローチを, 最先端の4つの基礎モデルと比較した。
論文 参考訳(メタデータ) (2024-11-25T13:53:26Z) - Inter-slice Super-resolution of Magnetic Resonance Images by Pre-training and Self-supervised Fine-tuning [49.197385954021456]
臨床実践では、2次元磁気共鳴(MR)シーケンスが広く採用されている。個々の2次元スライスを積み重ねて3次元ボリュームを形成できるが、比較的大きなスライスススペーシングは可視化とその後の解析タスクに課題をもたらす可能性がある。
スライス間隔を低減するため,ディープラーニングに基づく超解像技術が広く研究されている。
現在のほとんどのソリューションは、教師付きトレーニングのために、かなりの数の高解像度と低解像度の画像を必要とするが、通常は現実のシナリオでは利用できない。
論文 参考訳(メタデータ) (2024-06-10T02:20:26Z) - Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。
我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
論文 参考訳(メタデータ) (2023-07-13T08:27:09Z) - 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)
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。