医用画像レジストレーション2026/10/6arXiv:2610.08419

解剖学的先験情報を組み込んだ変形可能なCT-USレジストレーション

Deformable CT-US Registration via Anatomy-Aware Implicit Neural Representations

CTから得た組織剛性やプローブ接触の物理制約をSIRENに組み込み、超音波とCTの変形レジストレーション精度を向上させた研究。

詳しい要約

1. どんなもの？

- 超音波（US）と術前CTのスライス・トゥ・ボリューム位置合わせ（registration）を変形可能にするフレームワーク。 - ロボット支援光学追跡で剛体位置合わせを初期化し、その後、フレームごとに変形変換を推定する。 - CTから得られる解剖学的先行情報を利用し、組織の硬さを近似して空間的に変化する正則化を行う。 - プローブ接触による軟組織変形に対応し、骨などの剛体構造の変形を抑制しつつ軟組織の柔軟性を許容する。

2. 先行研究と比べてどこがすごい？

- 従来の剛体位置合わせではプローブ接触による軟組織変形に対応できず、正確な位置合わせが困難であった。 - 本手法はCT由来の解剖学的先験情報を組み込み、変形下での位置合わせ精度を向上させる。 - 剛体初期化と比較して位置合わせ精度が17%改善し、古典的な変形ベースラインを上回る。 - 位相幾何学的な折り畳み（topological folding）をほぼゼロに抑える。

3. 技術・手法の肝は？

- 剛体位置合わせはロボット支援光学追跡システムで確立。 - 変形変換はsinusoidal implicit neural representation (SIREN) をフレームごとに最適化して推定。 - CTのHU値から組織の硬さを近似し、空間的に変化する正則化として使用。 - プローブ接触の物理を捉える2つの制約：接触領域変位事前分布（プローブ面下の組織を圧縮するように変位場を誘導）と、ビーム方向と凸型トランスデューサ視野に基づくファン形状正則化項。 - モデルパラメータはnormalized gradient field (NGF) で最適化。

4. どうやって有効だと検証した？

- 剛体初期化と比較して位置合わせ精度が17%改善した。 - 古典的な変形ベースラインを上回る性能を示した。 - 位相幾何学的な折り畳みがほぼゼロであることを確認。 - 具体的なデータセットや評価指標は要旨からは不明。

5. 議論はある？

- 要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究：古典的な変形ベースライン（具体的名称は要旨からは不明）。 - 関連手法：sinusoidal implicit neural representation (SIREN)、normalized gradient field (NGF)。 - 同分野の定番：deformable image registration、slice-to-volume registration。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Agnieszka Lach, Magdalena Wysocki, Feng Li, Mohammad Farid Azampour, Benjamin D. Killeen, Felix Ginzinger, Mathias Braun, Philipp Steininger, Heinz Deutschmann, Nassir Navab

分類: cs.CV

原文アブストラクト

Slice-to-volume registration between ultrasound (US) and preoperative computed tomography (CT) imaging would enhance many minimally invasive interventions, for example by locating soft tissue structures intra-operatively that are discernible in CT. While optical tracking enables initial rigid registration, contact from the probe induces soft tissue deformations that inhibit accurate alignment. In this work, we introduce a deformable CT-ultrasound registration framework that incorporates anatomical priors derived from CT to improve registration under deformation. Rigid registration is first established using a robot-assisted optical tracking system, after which a deformable transformation is estimated using a sinusoidal implicit neural representation (SIREN) optimized per frame. Tissue stiffness is approximated from CT-based HU values and used as spatially varying regularization, suppressing deformation in rigid structures such as bone while allowing more flexibility in soft tissue. Two additional constraints capture the physics of probe contact: a contact-zone displacement prior that drives the displacement field to compress tissue below the probe face, and a fan-geometry regularization term based on beam direction and convex transducer field of view. Model parameters are optimized with a normalized gradient field (NGF). The proposed approach improves alignment over rigid initialisation by 17% and outperforms classical deformable baselines while maintaining near-zero topological folding.

arXivで原文を読む →arXiv概要ページ

← 論文一覧