論文の概要: Local Morphometry of Closed, Implicit Surfaces
- arxiv url: http://arxiv.org/abs/2108.04354v1
- Date: Thu, 29 Jul 2021 18:10:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-15 13:08:02.225987
- Title: Local Morphometry of Closed, Implicit Surfaces
- Title（参考訳）: クローズド・インシシデント表面の局所形態計測
- Authors: Bryce A Besler, Tannis D. Kemp, Andrew S. Michalski, Nils D. Forkert,
Steven K. Boyd
- Abstract要約: 本稿では,ガウスのぼやけた2値像のゼロ交叉として,高精度な局所形状計測のための高速で簡単な埋め込み手法を提案する。
平均曲率の決定係数は、符号付き距離変換により93.8%から、提案手法により100%に向上する。
符号付き距離変換では使用不可能なEuler-Poincare特性を98%の精度で改善する。
- 参考スコア（独自算出の注目度）: 1.0499611180329804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anatomical structures such as the hippocampus, liver, and bones can be
analyzed as orientable, closed surfaces. This permits the computation of
volume, surface area, mean curvature, Gaussian curvature, and the
Euler-Poincar\'e characteristic as well as comparison of these morphometrics
between structures of different topology. The structures are commonly
represented implicitly in curve evolution problems as the zero level set of an
embedding. Practically, binary images of anatomical structures are embedded
using a signed distance transform. However, quantization prevents the accurate
computation of curvatures, leading to considerable errors in morphometry. This
paper presents a fast, simple embedding procedure for accurate local
morphometry as the zero crossing of the Gaussian blurred binary image. The
proposed method was validated based on the femur and fourth lumbar vertebrae of
50 clinical computed tomography datasets. The results show that the signed
distance transform leads to large quantization errors in the computed local
curvature. Global validation of morphometry using regression and Bland-Altman
analysis revealed that the coefficient of determination for the average mean
curvature is improved from 93.8% with the signed distance transform to 100%
with the proposed method. For the surface area, the proportional bias is
improved from -5.0% for the signed distance transform to +0.6% for the proposed
method. The Euler-Poincar\'e characteristic is improved from unusable in the
signed distance transform to 98% accuracy for the proposed method. The proposed
method enables an improved local and global evaluation of curvature for
purposes of morphometry on closed, implicit surfaces.
- Abstract（参考訳）: 海馬、肝臓、骨などの解剖学的構造は、向き付け可能な閉じた表面として分析することができる。
これにより体積、面積、平均曲率、ガウス曲率、オイラー・ポアンカレ特性の計算が可能になり、また異なる位相構造間のこれらのモルフォメトリックスを比較することができる。
これらの構造は一般に、埋め込みのゼロレベル集合として曲線進化問題において暗黙的に表される。
実際、解剖学的構造のバイナリイメージは、符号付き距離変換を用いて埋め込む。
しかし、量子化は曲率の正確な計算を妨げ、モルフォメトリーにかなりの誤差をもたらす。
本稿では,ガウスのぼやけた2値像のゼロ交差として,局所形状の高精度な高速な埋め込み手法を提案する。
提案手法は,50個の臨床用ctデータから大腿骨および第四腰椎を基準に検証した。
その結果,符号付き距離変換は局所曲率の量子化誤差が大きいことがわかった。
回帰法とbland-altman解析によるモルフォメトリのグローバル検証により,平均平均曲率の決定係数は,符号付き距離変換で93.8%から提案法で100%に向上した。
表面積については、符号付き距離変換の-5.0%から提案手法の+0.6%に比例バイアスが改善される。
符号付き距離変換では使用不可能なEuler-Poincar\'e特性を98%の精度で改善する。
提案手法は,閉じた暗黙の面のモルフォメトリーを目的とし,局所的かつ大域的に曲率を評価できる。
関連論文リスト
- Adaptive $k$-nearest neighbor classifier based on the local estimation of the shape operator [49.87315310656657]
我々は, 局所曲率をサンプルで探索し, 周辺面積を適応的に定義する適応型$k$-nearest(kK$-NN)アルゴリズムを提案する。
多くの実世界のデータセットから、新しい$kK$-NNアルゴリズムは、確立された$k$-NN法と比較してバランスの取れた精度が優れていることが示されている。
論文 参考訳（メタデータ） (2024-09-08T13:08:45Z) - Correlations Are Ruining Your Gradient Descent [1.2432046687586285]
自然勾配降下は、最も急勾配の方向を示す勾配ベクトルが、損失景観の局所曲率を考慮することにより、どのように改善されるかを照らしている。
ニューラルネットワークの各層におけるノード応答を含む,任意の線形変換におけるデータの相関が,モデルパラメータ間の非正規的関係を生じさせることを示す。
本稿では,ノード出力のデコレーションと白化のために提案された手法について述べるとともに,これを拡張し,分散コンピューティングや計算神経科学に特に有用な新しい手法を提案する。
論文 参考訳（メタデータ） (2024-07-15T14:59:43Z) - Inferring Change Points in High-Dimensional Regression via Approximate Message Passing [9.660892239615366]
信号と変化点位置の両方を推定するための近似メッセージパッシング(AMP)アルゴリズムを提案する。
パラメータ数$p$がサンプル数$n$に比例する高次元極限において、その性能を厳格に特徴づける。
高次元極限における変化点上のベイズ後部分布を効率よく計算するために,我々のAMPイテレートをどのように利用できるかを示す。
論文 参考訳（メタデータ） (2024-04-11T15:57:12Z) - Linear Anchored Gaussian Mixture Model for Location and Width Computations of Objects in Thick Line Shape [1.7205106391379021]
3次元画像グレーレベル表現は、統計分布の有限混合モデルであると考えられている。
入力データとして元の画像を用いた期待最大化アルゴリズム(Algo1)を用いてモデルパラメータを推定する。
修正EMアルゴリズム(Algo2)について詳述する。
論文 参考訳（メタデータ） (2024-04-03T20:05:00Z) - Neural Gradient Learning and Optimization for Oriented Point Normal
Estimation [53.611206368815125]
本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。
局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。
本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
論文 参考訳（メタデータ） (2023-09-17T08:35:11Z) - Stochastic Marginal Likelihood Gradients using Neural Tangent Kernels [78.6096486885658]
線形化されたラプラス近似に下界を導入する。
これらの境界は漸進的な最適化が可能であり、推定精度と計算複雑性とのトレードオフを可能にする。
論文 参考訳（メタデータ） (2023-06-06T19:02:57Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳（メタデータ） (2022-10-13T15:34:20Z) - Posterior and Computational Uncertainty in Gaussian Processes [52.26904059556759]
ガウスのプロセスはデータセットのサイズとともに違法にスケールする。
多くの近似法が開発されており、必然的に近似誤差を導入している。
この余分な不確実性の原因は、計算が限られているため、近似後部を使用すると完全に無視される。
本研究では,観測された有限個のデータと有限個の計算量の両方から生じる組合せ不確実性を一貫した推定を行う手法の開発を行う。
論文 参考訳（メタデータ） (2022-05-30T22:16:25Z) - Error-Correcting Neural Networks for Two-Dimensional Curvature
Computation in the Level-Set Method [0.0]
本稿では,2次元曲率をレベルセット法で近似するための誤差ニューラルモデルに基づく手法を提案する。
我々の主な貢献は、需要に応じて機械学習操作を可能にする数値スキームに依存する、再設計されたハイブリッド・ソルバである。
論文 参考訳（メタデータ） (2022-01-22T05:14:40Z) - Spectral clustering under degree heterogeneity: a case for the random
walk Laplacian [83.79286663107845]
本稿では,ランダムウォークラプラシアンを用いたグラフスペクトル埋め込みが,ノード次数に対して完全に補正されたベクトル表現を生成することを示す。
次数補正ブロックモデルの特別な場合、埋め込みはK個の異なる点に集中し、コミュニティを表す。
論文 参考訳（メタデータ） (2021-05-03T16:36:27Z) - Mean-squared-error-based adaptive estimation of pure quantum states and
unitary transformations [0.0]
単一キューディットの純量子状態を高精度に推定する手法を提案する。
本手法は,未知状態の複素確率振幅と推定値との2乗誤差の最小化に基づく。
提案手法は, 1つのキュートに作用する未知のユニタリ変換を推定するために, 容易に拡張可能であることを示す。
論文 参考訳（メタデータ） (2020-08-23T00:32:10Z)
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。