論文の概要: Discriminative and Generative Models for Anatomical Shape Analysison
Point Clouds with Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2010.00820v1
- Date: Fri, 2 Oct 2020 07:37:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-12 00:56:53.507236
- Title: Discriminative and Generative Models for Anatomical Shape Analysison
Point Clouds with Deep Neural Networks
- Title（参考訳）: 深部ニューラルネットワークを用いた解剖学的形状解析のための識別・生成モデル
- Authors: Benjamin Gutierrez Becker, Ignacio Sarasua, Christian Wachinger
- Abstract要約: 与えられたタスクから低次元の形状表現を学習する解剖学的形状の解析のためのディープニューラルネットワークを導入する。
我々のフレームワークはモジュール構造であり、基本的な形状処理タスクを実行するいくつかの計算ブロックで構成されています。
本稿では, 疾患分類と年齢回帰の判別モデルと, 形状復元のための生成モデルを提案する。
- 参考スコア（独自算出の注目度）: 3.7814216736076434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce deep neural networks for the analysis of anatomical shapes that
learn a low-dimensional shape representation from the given task, instead of
relying on hand-engineered representations. Our framework is modular and
consists of several computing blocks that perform fundamental shape processing
tasks. The networks operate on unordered point clouds and provide invariance to
similarity transformations, avoiding the need to identify point correspondences
between shapes. Based on the framework, we assemble a discriminative model for
disease classification and age regression, as well as a generative model for
the accruate reconstruction of shapes. In particular, we propose a conditional
generative model, where the condition vector provides a mechanism to control
the generative process. instance, it enables to assess shape variations
specific to a particular diagnosis, when passing it as side information. Next
to working on single shapes, we introduce an extension for the joint analysis
of multiple anatomical structures, where the simultaneous modeling of multiple
structures can lead to a more compact encoding and a better understanding of
disorders. We demonstrate the advantages of our framework in comprehensive
experiments on real and synthetic data. The key insights are that (i) learning
a shape representation specific to the given task yields higher performance
than alternative shape descriptors, (ii) multi-structure analysis is both more
efficient and more accurate than single-structure analysis, and (iii) point
clouds generated by our model capture morphological differences associated to
Alzheimers disease, to the point that they can be used to train a
discriminative model for disease classification. Our framework naturally scales
to the analysis of large datasets, giving it the potential to learn
characteristic variations in large populations.
- Abstract（参考訳）: 本研究では,手工学的な表現に頼らず,与えられたタスクから低次元形状表現を学習する解剖学的形状の解析にディープニューラルネットワークを導入する。
我々のフレームワークはモジュール構造であり、基本的な形状処理タスクを実行するいくつかの計算ブロックで構成されています。
ネットワークは秩序のない点雲上で動作し、類似性変換と不変性を提供し、形状間の点対応を識別する必要がない。
この枠組みに基づき, 疾患分類と年齢回帰のための判別モデルと, 形状の再現のための生成モデルを構築した。
特に,条件ベクトルが生成過程を制御するメカニズムを提供する条件生成モデルを提案する。
例えば、サイド情報として渡す際に、特定の診断に特有の形状の変化を評価することができる。
そこで本研究では,複数構造物の同時モデリングにより,よりコンパクトな符号化が可能となり,障害の理解度が向上する,複数の解剖学的構造の合同解析への拡張を提案する。
本フレームワークの利点を実データおよび合成データに関する総合実験で実証する。
重要な洞察は
(i)与えられた課題に特有の形状表現を学習することは、代替形状記述子よりも高い性能をもたらす。
(II)多構造解析は単構造解析よりも効率的かつ正確である。
3)本モデルにより生成された点雲は,アルツハイマー病に関連する形態的差異を捉え,疾患分類のための識別モデルの訓練に使用することができる。
我々のフレームワークは自然に大規模なデータセットの分析にスケールし、大きな個体群の特徴的変動を学習する可能性を秘めている。
関連論文リスト
- An End-to-End Deep Learning Generative Framework for Refinable Shape
Matching and Generation [45.820901263103806]
In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築
本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。
提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
論文 参考訳（メタデータ） (2024-03-10T21:33:53Z) - ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。
これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。
テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
論文 参考訳（メタデータ） (2023-12-11T07:09:32Z) - Mesh2SSM: From Surface Meshes to Statistical Shape Models of Anatomy [0.0]
我々は、教師なしの置換不変表現学習を利用して、テンプレートポイントクラウドを主題固有のメッシュに変形する方法を推定する新しいアプローチであるMesh2SSMを提案する。
Mesh2SSMは集団固有のテンプレートも学習でき、テンプレート選択によるバイアスを低減できる。
論文 参考訳（メタデータ） (2023-05-13T00:03:59Z) - A Generative Shape Compositional Framework to Synthesise Populations of
Virtual Chimaeras [52.33206865588584]
複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。
心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。
提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
論文 参考訳（メタデータ） (2022-10-04T13:36:52Z) - Landmark-free Statistical Shape Modeling via Neural Flow Deformations [0.5897108307012394]
本稿では,トレーニングインスタンス間の密接な対応を必要とせず,形状変化を学習する新しい形状モデリング手法であるFlowSSMを提案する。
当モデルでは, 遠位端大腿骨・肝臓に先立って, 表現的かつ頑健な形状を提供することで, 最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2022-09-14T18:17:19Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Generalized Shape Metrics on Neural Representations [26.78835065137714]
表現上の相似性を定量化する計量空間の族を提供する。
我々は、正準相関解析に基づいて既存の表現類似度尺度を修正し、三角形の不等式を満たす。
解剖学的特徴とモデル性能の観点から解釈可能な神経表現の関係を同定する。
論文 参考訳（メタデータ） (2021-10-27T19:48:55Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳（メタデータ） (2021-07-07T11:17:09Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳（メタデータ） (2020-10-25T18:51:15Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。