論文の概要: Learning Deep Features for Shape Correspondence with Domain Invariance
- arxiv url: http://arxiv.org/abs/2102.10493v1
- Date: Sun, 21 Feb 2021 02:25:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 15:13:17.338853
- Title: Learning Deep Features for Shape Correspondence with Domain Invariance
- Title（参考訳）: 領域不変性に対応する形状の深層的特徴の学習
- Authors: Praful Agrawal, Ross T. Whitaker, Shireen Y. Elhabian
- Abstract要約: 対応に基づく形状モデルは、解剖学の統計解析に依存する様々な医学的イメージング応用の鍵となる。
本論文では, 深層畳み込みニューラルネットワークを用いて, 形状アンサンブルから対応しやすい特徴を抽出する, 自動機能学習手法を提案する。
- 参考スコア（独自算出の注目度）: 10.230933226423984
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Correspondence-based shape models are key to various medical imaging
applications that rely on a statistical analysis of anatomies. Such shape
models are expected to represent consistent anatomical features across the
population for population-specific shape statistics. Early approaches for
correspondence placement rely on nearest neighbor search for simpler anatomies.
Coordinate transformations for shape correspondence hold promise to address the
increasing anatomical complexities. Nonetheless, due to the inherent
shape-level geometric complexity and population-level shape variation, the
coordinate-wise correspondence often does not translate to the anatomical
correspondence. An alternative, group-wise approach for correspondence
placement explicitly models the trade-off between geometric description and the
population's statistical compactness. However, these models achieve limited
success in resolving nonlinear shape correspondence. Recent works have
addressed this limitation by adopting an application-specific notion of
correspondence through lifting positional data to a higher dimensional feature
space. However, they heavily rely on manual expertise to create domain-specific
features and consistent landmarks. This paper proposes an automated feature
learning approach, using deep convolutional neural networks to extract
correspondence-friendly features from shape ensembles. Further, an unsupervised
domain adaptation scheme is introduced to augment the pretrained geometric
features with new anatomies. Results on anatomical datasets of human scapula,
femur, and pelvis bones demonstrate that features learned in supervised fashion
show improved performance for correspondence estimation compared to the manual
features. Further, unsupervised learning is demonstrated to learn complex
anatomy features using the supervised domain adaptation from features learned
on simpler anatomy.
- Abstract（参考訳）: 対応に基づく形状モデルは、解剖学の統計解析に依存する様々な医学的イメージング応用の鍵となる。
このような形状モデルは、集団固有の形状統計のための集団全体の一貫した解剖学的特徴を表すことが期待されている。
対応配置の初期のアプローチは、より単純な解剖学の近くの探索に依存している。
形状対応の座標変換は、増大する解剖学的複雑性に対処することを約束する。
それにもかかわらず、固有の形状レベルの幾何学的複雑性と人口レベルの形状変化のため、座標的対応はしばしば解剖学的対応に変換されない。
対応配置に対する別のグループ的なアプローチは、幾何学的記述と人口の統計コンパクト性の間のトレードオフを明示的にモデル化する。
しかし、これらのモデルは非線形形状対応の解決に限定的に成功している。
近年の研究では、位置データを高次元の特徴空間に引き上げることで、アプリケーション固有の対応の概念を採用することで、この制限に対処している。
しかし、彼らはドメイン固有の機能と一貫したランドマークを作成するために手動の専門知識に大きく依存しています。
本論文では, 深層畳み込みニューラルネットワークを用いて, 形状アンサンブルから対応しやすい特徴を抽出する, 自動機能学習手法を提案する。
さらに,事前学習された幾何学的特徴を新たな解剖学で補強するために,教師なし領域適応スキームを導入する。
ヒト肩甲骨,大腿骨骨,骨盤骨の解剖学的データセットの結果,教師付きファッションで学習した特徴は,手動による特徴と比較すると,対応推定のパフォーマンスが向上したことを示している。
さらに、教師なし学習は、より単純な解剖学的に学習した特徴から教師付きドメイン適応を用いて複雑な解剖学的特徴を学習する。
関連論文リスト
- Second Order Kinematic Surface Fitting in Anatomical Structures [0.43512163406551996]
キネマティックサーフェスフィッティングにおける2次速度場を利用した革新的なアプローチを提案する。
この進歩は、より高い回転形状の複雑さを許容し、解剖学的構造における対称性検出の精度を向上させる。
本手法は, 曲線回転対称性(コア線)の検出を可能にするだけでなく, 曲率やねじれに関連する内在的な形状パラメータを導出することで, 形態的分類を容易にする。
論文 参考訳（メタデータ） (2024-01-29T10:36:43Z) - 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) - Unsupervised correspondence with combined geometric learning and imaging
for radiotherapy applications [0.0]
本研究の目的は, 放射線治療への応用において, 異なる患者の臓器区分間の対応点を正確に同定するモデルを開発することである。
3次元形状の同時対応と推定のためのモデルとして,頭部と頸部の臓器の分節をCTスキャンから訓練した。
次に、2つのアプローチを用いて画像情報を組み込むため、オリジナルモデルを拡張した。
論文 参考訳（メタデータ） (2023-09-25T16:29:18Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳（メタデータ） (2023-04-15T09:39:52Z) - Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。
ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。
我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
論文 参考訳（メタデータ） (2022-11-22T11:34:51Z) - 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) - Statistical Shape Modeling of Biventricular Anatomy with Shared
Boundaries [16.287876512923084]
本稿では,共有境界を持つ多臓器解剖学の統計的形状モデルを構築するための汎用的で柔軟なデータ駆動手法を提案する。
心臓の共有境界における形状変化は、非協調的収縮と低臓器灌流を引き起こす潜在的な病理学的変化を示す可能性がある。
論文 参考訳（メタデータ） (2022-09-06T15:54:37Z) - Bending Graphs: Hierarchical Shape Matching using Gated Optimal
Transport [80.64516377977183]
形状マッチングは、コンピュータグラフィックスと視覚のコミュニティにとって長い間研究されてきた問題である。
局所的なパッチレベル情報とグローバルな形状レベルの構造を組み込んだ階層型学習設計について検討する。
本研究では,非信頼ノード上の特徴を逐次更新し,形状間の一貫した一致を学習することで,新しい最適輸送解法を提案する。
論文 参考訳（メタデータ） (2022-02-03T11:41:46Z) - Learning Population-level Shape Statistics and Anatomy Segmentation From
Images: A Joint Deep Learning Model [0.0]
点分布モデル(PDM)は、密度の高い対応によって解剖学的表面を表す。
本稿では,この2つの座標空間をボリューム画像から直接同時に学習するディープラーニングベースのフレームワークを提案する。
世界対応は、従来のPDMモデルに係わる重い前処理やセグメンテーションを回避し、形状解析の応用に直接使用することができる。
論文 参考訳（メタデータ） (2022-01-10T17:24:35Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳（メタデータ） (2021-06-17T12:25:44Z) - Discriminative and Generative Models for Anatomical Shape Analysison
Point Clouds with Deep Neural Networks [3.7814216736076434]
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。
論文 参考訳（メタデータ） (2020-10-02T07:37:40Z)
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。