非剛性医用画像の登録に向けた注意機制を駆使した新枠組み

arXiv:2602.07088v1 Announce Type: new 要約：変形医療画像の登録は、疾患診断、治療計画、画像ガイダンス介入など医療画像解析における基本的なタスクです。深層学習に基づく登録手法が著しい進歩を見せつつあるものの、大変形条件下で画像を正確に整合させながら解剖学的な妥当性を維持することはまだ困難です。本稿では、注意機制を活用して登録プロセスを導く非剛性医用画像登録向けのアタック・ドリブン・フレームワーク（AD-RegNet）を提案します。私たちのアプローチは、3D UNet のバックボーンと相互作用的クロス注意（bidirectional cross-attention）を組み合わせて、動く画像と固定画像を多スケールに対応付けます。また、解剖学的な構造に焦点を当てるための領域適応的注意機制と、正確な整合のための多分解像変形場合成アプローチを導入しました。この方法は、胸の 4D CT スキャンを扱う DIRLab 脳 MRI スキャンを扱う IXI の 2 つの異なるデータセットで評価され、異なる解剖学的構造と画像モードの間での汎用性が示されました。実験結果は、私たちのアプローチが IXI と DIRLab データセット上で最先端手法と競争力のある性能を達成したことを示しています。提案された方法は登録精度と計算効率的な間に有利なバランスを保ち、臨床応用に適しています。正規化相関（NCC）、二乗平均誤差（MSE）、構造相似性（SSIM）、ジャコビアン決定値、ターゲット登録誤差（TRE）を使った包括的な評価は、注意を伴う登録が整合性を高め、かつ解剖学的な妥当性を保った変形を可能にすることを示しています。

arXiv:2602.07088v1 Announce Type: new Abstract: Deformable medical image registration is a fundamental task in medical image analysis with applications in disease diagnosis, treatment planning, and image-guided interventions. Despite significant advances in deep learning based registration methods, accurately aligning images with large deformations while preserving anatomical plausibility remains a challenging task. In this paper, we propose a novel Attention-Driven Framework for Non-Rigid Medical Image Registration (AD-RegNet) that employs attention mechanisms to guide the registration process. Our approach combines a 3D UNet backbone with bidirectional cross-attention, which establishes correspondences between moving and fixed images at multiple scales. We introduce a regional adaptive attention mechanism that focuses on anatomically relevant structures, along with a multi-resolution deformation field synthesis approach for accurate alignment. The method is evaluated on two distinct datasets: DIRLab for thoracic 4D CT scans and IXI for brain MRI scans, demonstrating its versatility across different anatomical structures and imaging modalities. Experimental results demonstrate that our approach achieves performance competitive with state-of-the-art methods on the IXI and DIRLab datasets. The proposed method maintains a favorable balance between registration accuracy and computational efficiency, making it suitable for clinical applications. A comprehensive evaluation using normalized cross-correlation (NCC), mean squared error (MSE), structural similarity (SSIM), Jacobian determinant, and target registration error (TRE) indicates that attention-guided registration improves alignment accuracy while ensuring anatomically plausible deformations.