UTMorph：生検穿刺における弱教師ありマルチモーダル画像レジストレーションのためのハイブリッドCNN-トランスフォーマーネットワーク
Xudong Guo1, Peiyu Chen1, Haifeng Wang2
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China.
Medical image analysis
|January 15, 2026
まとめ
UTMorphは、CNNとトランスフォーマーネットワークを使用した新しいフレームワークであり、術前のMRI画像と術中の超音波画像を正確にレジストレーションします。これにより、軟部組織の変形を正確に処理することで、ロボット支援手順が改善されます。
科学分野:
- 医療画像解析
- 医療における人工知能
- 手術ロボット工学
背景:
- 正確な術前MRI画像と術中超音波（US）画像のレジストレーションは、正確なロボット支援生検およびアブレーションにとって非常に重要です。
- 既存の手法は、処置中の速度、精度、および軟部組織の変形に苦労しています。
研究 の 目的:
- MRI-USフュージョンのための効率的で正確な変形可能マルチモーダル画像レジストレーションフレームワークを開発すること。
- 軟部組織の変形と医療画像レジストレーションにおける計算複雑性の課題に対処すること。
主な方法:
- U-Net、畳み込みニューラルネットワーク（CNN）、およびトランスフォーマーネットワークを組み合わせたハイブリッドフレームワークであるUTMorphを提案しました。
- 正確な変形推定のための構造化画像特徴に焦点を当てた新しいアテンションメカニズムを導入しました。
- レジストレーション精度の向上に形状と境界情報を強化するためのハイブリッドエッジ損失関数を開発しました。
主要な成果:
- UTMorphは、6つの一般的なレジストレーション手法と比較して、複数の指標で優れたパフォーマンスを示しました。
- ダイス類似係数0.890、95パーセンタイルハウズドルフ距離2.679 mm、平均表面距離0.284 mmを達成しました。
- モードの違いが大きくても、704件の患者データセットで検証された、最小限のメモリ使用量で正確なレジストレーションを保証しました。
結論:
- ハイブリッドエッジ損失関数を備えたUTMorphモデルは、MR-US変形可能医療画像レジストレーションに効果的です。
- このフレームワークは、画像レジストレーションの精度と速度を向上させることにより、ロボット支援介入の精度を高めます。
- 開発されたモデルは、マルチモーダル医療画像レジストレーションの課題に対する堅牢なソリューションを提供します。
