論文の概要: TransforMesh: A Transformer Network for Longitudinal modeling of
Anatomical Meshes
- arxiv url: http://arxiv.org/abs/2109.00532v1
- Date: Wed, 1 Sep 2021 14:21:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-03 14:05:34.413861
- Title: TransforMesh: A Transformer Network for Longitudinal modeling of
Anatomical Meshes
- Title(参考訳): transformesh:解剖学的メッシュの縦型モデリングのためのトランスフォーマーネットワーク
- Authors: Ignacio Sarasua, Sebastian Polsterl, Christian Wachinger
- Abstract要約: 本稿では3次元解剖学的メッシュ上での縦方向の形状変化をモデル化するトランスフォーメシュ・アテンポラルネットワークを提案する。
その結果,TransforMeshは他のベースラインアーキテクチャよりも形状トラジェクトリをモデル化できることがわかった。
また,AD患者における構造異常の検出におけるTransforMeshの有用性についても検討した。
- 参考スコア(独自算出の注目度): 4.812718493682454
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The longitudinal modeling of neuroanatomical changes related to Alzheimer's
disease (AD) is crucial for studying the progression of the disease. To this
end, we introduce TransforMesh, a spatio-temporal network based on transformers
that models longitudinal shape changes on 3D anatomical meshes. While
transformer and mesh networks have recently shown impressive performances in
natural language processing and computer vision, their application to medical
image analysis has been very limited. To the best of our knowledge, this is the
first work that combines transformer and mesh networks. Our results show that
TransforMesh can model shape trajectories better than other baseline
architectures that do not capture temporal dependencies. Moreover, we also
explore the capabilities of TransforMesh in detecting structural anomalies of
the hippocampus in patients developing AD.
- Abstract(参考訳): アルツハイマー病(AD)に関連する神経解剖学的変化の経時的モデリングは、疾患の進行を研究する上で重要である。
この目的のために,3次元解剖学的メッシュ上での縦方向の形状変化をモデル化するトランスフォーメシュを導入した。
トランスフォーマーとメッシュネットワークは最近、自然言語処理とコンピュータビジョンで印象的なパフォーマンスを示しているが、医療画像解析への応用は非常に限られている。
私たちの知る限りでは、これはトランスフォーマーとメッシュネットワークを組み合わせた最初の作業です。
その結果、transformeshは時間依存を捉えない他のベースラインアーキテクチャよりも形跡をモデル化できることがわかった。
また,AD患者における海馬構造異常の検出におけるTransforMeshの有用性についても検討した。
関連論文リスト
- SeUNet-Trans: A Simple yet Effective UNet-Transformer Model for Medical
Image Segmentation [0.0]
医用画像セグメンテーションのためのシンプルなUNet-Transformer(seUNet-Trans)モデルを提案する。
提案手法では,UNetモデルを特徴抽出器として設計し,入力画像から複数の特徴マップを生成する。
UNetアーキテクチャと自己認識機構を活用することで、我々のモデルはローカルとグローバルの両方のコンテキスト情報を保存するだけでなく、入力要素間の長距離依存関係をキャプチャできる。
論文 参考訳(メタデータ) (2023-10-16T01:13:38Z) - Multiscale Metamorphic VAE for 3D Brain MRI Synthesis [5.060516201839319]
3次元脳MRIの創発的モデリングは、データ分布の十分なカバレッジを確保しつつ、高い視覚的忠実度を達成することの難しさを示す。
本研究では, この課題に対して, 可変オートエンコーダフレームワークにおける構成可能なマルチスケール形態素変換を用いて対処することを提案する。
VAEやGAN(Generative Adversarial Network)をベースとした先行作業と比較して,FIDの性能は,同等あるいは優れた再現品質を維持しつつ,大幅に向上した。
論文 参考訳(メタデータ) (2023-01-09T09:15:30Z) - View-Disentangled Transformer for Brain Lesion Detection [50.4918615815066]
より正確な腫瘍検出のためのMRI特徴抽出のための新しいビューディペンタングル変換器を提案する。
まず, 3次元脳スキャンにおいて, 異なる位置の長距離相関を求める。
第二に、トランスフォーマーはスライス機能のスタックを複数の2Dビューとしてモデル化し、これらの機能をビュー・バイ・ビューとして拡張する。
第三に、提案したトランスモジュールをトランスのバックボーンに展開し、脳病変を取り巻く2D領域を効果的に検出する。
論文 参考訳(メタデータ) (2022-09-20T11:58:23Z) - TransNorm: Transformer Provides a Strong Spatial Normalization Mechanism
for a Deep Segmentation Model [4.320393382724066]
畳み込みニューラルネットワーク(CNN)は、医療画像処理時代の主流技術である。
本稿では,Transformerモジュールをエンコーダとスキップ接続の両方に統合する,新しいディープセグメンテーションフレームワークであるTrans-Normを提案する。
論文 参考訳(メタデータ) (2022-07-27T09:54:10Z) - MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。
グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。
MISSUは従来の最先端手法よりも優れた性能を発揮する。
論文 参考訳(メタデータ) (2022-06-02T07:38:53Z) - Swin UNETR: Swin Transformers for Semantic Segmentation of Brain Tumors
in MRI Images [7.334185314342017]
我々はSwin UNEt TRansformers(Swin UNETR)と呼ばれる新しいセグメンテーションモデルを提案する。
このモデルは、シフトしたウィンドウを利用して、5つの異なる解像度で特徴を抽出し、自己注意を演算する。
我々は、BraTS 2021セグメンテーションチャレンジに参加し、提案したモデルは、検証フェーズにおける最も優れたアプローチの1つである。
論文 参考訳(メタデータ) (2022-01-04T18:01:34Z) - D-Former: A U-shaped Dilated Transformer for 3D Medical Image
Segmentation [7.635663740358682]
そこで我々はDilated Transformerと呼ばれる新しい手法を提案し、ローカルとグローバルの領域で交互にキャプチャされたペアワイドパッチ関係に対して自己アテンションを行う。
拡張畳み込みカーネルにインスパイアされた我々は、グローバルな自己意識を拡張的に実行し、関連するパッチを増やさずに受容領域を拡大し、計算コストを削減した。
論文 参考訳(メタデータ) (2022-01-03T03:20:35Z) - Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。
我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
論文 参考訳(メタデータ) (2021-10-11T17:24:52Z) - Transformers Solve the Limited Receptive Field for Monocular Depth
Prediction [82.90445525977904]
畳み込みニューラルネットワークとトランスの両方の恩恵を受けるアーキテクチャであるTransDepthを提案します。
連続ラベルを含む画素単位での予測問題にトランスフォーマーを適用する最初の論文である。
論文 参考訳(メタデータ) (2021-03-22T18:00:13Z) - Medical Transformer: Gated Axial-Attention for Medical Image
Segmentation [73.98974074534497]
医用画像分割タスクにおけるトランスフォーマティブネットワークアーキテクチャの利用可能性について検討する。
セルフアテンションモジュールに追加の制御機構を導入することで,既存のアーキテクチャを拡張するGated Axial-Attentionモデルを提案する。
医療画像上で効果的にモデルを訓練するために,さらにパフォーマンスを向上させる局所的グローバルトレーニング戦略 (logo) を提案する。
論文 参考訳(メタデータ) (2021-02-21T18:35:14Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳(メタデータ) (2020-07-21T11:48:22Z)
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。