Fugu-MT 論文翻訳(概要): DeepCSR: A 3D Deep Learning Approach for Cortical Surface Reconstruction

論文の概要: DeepCSR: A 3D Deep Learning Approach for Cortical Surface Reconstruction

arxiv url: http://arxiv.org/abs/2010.11423v1
Date: Thu, 22 Oct 2020 03:57:44 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 07:43:03.098733
Title: DeepCSR: A 3D Deep Learning Approach for Cortical Surface Reconstruction
Title（参考訳）: DeepCSR: 皮質表面再構成のための3次元ディープラーニングアプローチ
Authors: Rodrigo Santa Cruz, Leo Lebrat, Pierrick Bourgeat, Clinton Fookes, Jurgen Fripp, Olivier Salvado
Abstract要約: DeepCSRは、MRIから皮質表面を再構築するための3Dディープラーニングフレームワークである。高分解能で皮質表面を効率的に再構築し、皮質の折り畳みの細部を捉える。 DeepCSRは、広く使われているFreeSurferツールボックスやディープラーニング駆動のFastSurferよりも正確で、より正確で、高速である。
参考スコア（独自算出の注目度）: 20.977071784183256
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The study of neurodegenerative diseases relies on the reconstruction and analysis of the brain cortex from magnetic resonance imaging (MRI). Traditional frameworks for this task like FreeSurfer demand lengthy runtimes, while its accelerated variant FastSurfer still relies on a voxel-wise segmentation which is limited by its resolution to capture narrow continuous objects as cortical surfaces. Having these limitations in mind, we propose DeepCSR, a 3D deep learning framework for cortical surface reconstruction from MRI. Towards this end, we train a neural network model with hypercolumn features to predict implicit surface representations for points in a brain template space. After training, the cortical surface at a desired level of detail is obtained by evaluating surface representations at specific coordinates, and subsequently applying a topology correction algorithm and an isosurface extraction method. Thanks to the continuous nature of this approach and the efficacy of its hypercolumn features scheme, DeepCSR efficiently reconstructs cortical surfaces at high resolution capturing fine details in the cortical folding. Moreover, DeepCSR is as accurate, more precise, and faster than the widely used FreeSurfer toolbox and its deep learning powered variant FastSurfer on reconstructing cortical surfaces from MRI which should facilitate large-scale medical studies and new healthcare applications.
Abstract（参考訳）: 神経変性疾患の研究は、MRI(MRI)による大脳皮質の再構築と解析に依存している。 FreeSurferのような従来のフレームワークは長いランタイムを必要とするが、FastSurferの高速化された派生型は依然として、小さな連続オブジェクトを皮質表面としてキャプチャするための解像度によって制限されたボクセルワイズセグメンテーションに依存している。このような制約を念頭に置いて,MRIによる皮質表面再構成のための3次元ディープラーニングフレームワークであるDeepCSRを提案する。この目的に向けて,ハイパーカラム機能を備えたニューラルネットワークモデルをトレーニングし,脳テンプレート空間内の点に対する暗黙的表面表現を予測する。トレーニング後、特定の座標における表面表現を評価し、その後、トポロジー補正アルゴリズムと等表面抽出法を適用することにより、所望の詳細レベルでの皮質表面を得る。このアプローチの継続的な性質とハイパーカラムの特徴スキームの有効性により、DeepCSRは高分解能で皮質表面を効率的に再構築し、皮質の折り畳みの詳細を捉える。さらにdeepcsrは、広く使用されているfreesurferツールボックスや、mriから皮質表面を再構築するディープラーニングを利用したfastsurferよりも正確で、より正確で、より高速である。

関連論文リスト

N-BVH: Neural ray queries with bounding volume hierarchies [51.430495562430565]
3Dコンピュータグラフィックスでは、シーンのメモリ使用量の大部分がポリゴンとテクスチャによるものである。 N-BVHは3次元の任意の光線クエリに応答するように設計されたニューラル圧縮アーキテクチャである。本手法は, 視認性, 深度, 外観特性を忠実に近似する。
論文参考訳（メタデータ） (2024-05-25T13:54:34Z)
Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape Reconstruction from Point Clouds [53.02191521770926]
我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。 nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
論文参考訳（メタデータ） (2023-08-03T13:56:07Z)
Joint Reconstruction and Parcellation of Cortical Surfaces [3.9198548406564604]
脳MRI画像からの大脳皮質表面の再構成は、アルツハイマー病(AD)のような神経変性疾患における脳形態解析と皮質シンニングの検出に有用である本研究では,グラフ分類分岐に基づく2つの選択肢と,新しい汎用的な3次元再構成損失に基づく2つの選択肢を提案し,テンプレート・デフォーメーション・アルゴリズムを改良する。我々はDiceスコア90.2(グラフ分類分岐)と90.4(復元損失90.4)の高精度なパーセレーションと最先端のサーフェスを同時に達成した。
論文参考訳（メタデータ） (2022-09-19T11:45:39Z)
MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface Reconstruction [72.05649682685197]
最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
論文参考訳（メタデータ） (2022-06-01T17:58:15Z)
Vox2Cortex: Fast Explicit Reconstruction of Cortical Surfaces from 3D MRI Scans with Geometric Deep Neural Networks [3.364554138758565]
深層学習に基づくアルゴリズムであるVox2Cortexを提案する。我々は3つの脳MRIデータセットの広範な実験で、我々のメッシュは現場の最先端の方法で再構築されたものと同じくらい正確であることを示した。
論文参考訳（メタデータ） (2022-03-17T17:06:00Z)
NeuS: Learning Neural Implicit Surfaces by Volume Rendering for Multi-view Reconstruction [88.02850205432763]
物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。 DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
論文参考訳（メタデータ） (2021-06-20T12:59:42Z)
A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction [1.8047694351309207]
本研究では,ボリュームCTとMR画像データから心表面メッシュ全体を直接予測する深層学習に基づく新しい手法を提案する。本手法は,高分解能,高品質の全心臓再建を実現できる有望な性能を示した。
論文参考訳（メタデータ） (2021-02-16T00:39:43Z)
Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文参考訳（メタデータ） (2020-10-05T14:18:52Z)
Surface Agnostic Metrics for Cortical Volume Segmentation and Regression [3.1543820811374483]
T2MRI画像から大脳皮質の厚みと曲率を推定する機械学習手法を提案する。結果は、深層畳み込みニューラルネットワークが、脳の発達段階と病理の幅広い範囲で皮質のメトリクスを予測するための実行可能な選択肢であることを示唆している。
論文参考訳（メタデータ） (2020-10-04T19:46:04Z)
Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文参考訳（メタデータ） (2020-09-06T18:46:04Z)
A Two-step Surface-based 3D Deep Learning Pipeline for Segmentation of Intracranial Aneurysms [18.163031102785904]
2段階のサーフェスベースのディープラーニングパイプラインを提供し、高いパフォーマンスを実現しています。ユーザはまず、飛行時間磁気共鳴血管造影画像の複数の閾値を手動で指定して表面モデルを生成する。その後、脳動脈全体から小さな表面の断片を採取し、動脈瘤の有無に応じて表面の断片を分類する。
論文参考訳（メタデータ） (2020-06-29T16:23:36Z)

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。