Fugu-MT 論文翻訳(概要): Anatomical Landmarks Localization for 3D Foot Point Clouds

論文の概要: Anatomical Landmarks Localization for 3D Foot Point Clouds

arxiv url: http://arxiv.org/abs/2110.00937v1
Date: Sun, 3 Oct 2021 06:24:40 GMT
ステータス: 処理完了
システム内更新日: 2021-10-05 15:19:10.615048
Title: Anatomical Landmarks Localization for 3D Foot Point Clouds
Title（参考訳）: 3次元足跡雲における解剖学的ランドマークの局在
Authors: Sheldon Fung, Xuequan Lu, Mantas Mykolaitis, Gediminas Kostkevicius, Domantas Ozerenskis
Abstract要約: 本稿では3次元解剖学的ランドマーク予測のための変形法を提案する。臨床医によって注釈付けされた解剖学的ランドマークを持つソースモデルを使用し、ターゲットモデルにマッチするように、このモデルを厳格に変形させる。データセット上で実験を行い,本手法のロバスト性を実証した。
参考スコア（独自算出の注目度）: 3.1918817988202606
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: 3D anatomical landmarks play an important role in health research. Their automated prediction/localization thus becomes a vital task. In this paper, we introduce a deformation method for 3D anatomical landmarks prediction. It utilizes a source model with anatomical landmarks which are annotated by clinicians, and deforms this model non-rigidly to match the target model. Two constraints are introduced in the optimization, which are responsible for alignment and smoothness, respectively. Experiments are performed on our dataset and the results demonstrate the robustness of our method, and show that it yields better performance than the state-of-the-art techniques in most cases.
Abstract（参考訳）: 3D解剖学的ランドマークは、健康研究において重要な役割を果たす。そのため、自動予測/ローカライゼーションが重要なタスクとなる。本稿では,3次元解剖学的ランドマーク予測のための変形法を提案する。臨床医が注釈を付ける解剖学的ランドマークを持つソースモデルを利用し、このモデルがターゲットモデルに不規則に一致するように変形する。最適化には2つの制約が導入され、それぞれアライメントと滑らかさに責任がある。実験はデータセット上で行われ,本手法のロバスト性を示すとともに,ほとんどのケースにおいて最先端技術よりも優れた性能が得られることを示す。

関連論文リスト

Shape Completion in the Dark: Completing Vertebrae Morphology from 3D Ultrasound [34.25838262585591]
本稿では,3次元形状完備化による閉塞型解剖構造を完成させるために,ポイントクラウドに基づく確率的DL法を提案する。我々は、米国の物理学を模倣し、固有の人工物を説明することによって、部分的に隠蔽された脊髄の3D表現を生成する。
論文参考訳（メタデータ） (2024-04-11T12:00:13Z)
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)
Unsupervised 3D Pose Estimation with Non-Rigid Structure-from-Motion Modeling [83.76377808476039]
本研究では,人間のポーズの変形をモデル化し,それに伴う拡散に基づく動きを事前に設計する手法を提案する。動作中の3次元人間の骨格を復元する作業は3次元基準骨格の推定に分割する。混合時空間NASfMformerを用いて、各フレームの3次元基準骨格と骨格変形を2次元観測シーケンスから同時に推定する。
論文参考訳（メタデータ） (2023-08-18T16:41:57Z)
Advancing Wound Filling Extraction on 3D Faces: Auto-Segmentation and Wound Face Regeneration Approach [0.0]
本稿では,2ストリームグラフ畳み込みネットワークを用いた3次元顔傷セグメントの自動生成手法を提案する。セグメンテーションモデルに基づいて、3次元顔の創傷充填体を抽出するための改良されたアプローチを提案する。提案手法は, テストスイートにおいて0.9999986%の精度を達成し, 従来手法よりも優れていた。
論文参考訳（メタデータ） (2023-07-04T17:46:02Z)
Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文参考訳（メタデータ） (2022-09-27T15:50:31Z)
LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human Bodies [78.17425779503047]
本稿では,人体に対する新しい暗黙の表現法を提案する。完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
論文参考訳（メタデータ） (2021-11-30T04:10:57Z)
Simulating Realistic MRI variations to Improve Deep Learning model and visual explanations using GradCAM [0.0]
修正されたHighRes3DNetモデルを用いて、脳MRIボリュームランドマーク検出問題を解く。 Grad-CAMは、モデルがフォーカスしている領域を示す粗いローカライゼーションマップを生成する。
論文参考訳（メタデータ） (2021-11-01T11:14:23Z)
A Self-Supervised Deep Framework for Reference Bony Shape Estimation in Orthognathic Surgical Planning [55.30223654196882]
仮想的な矯正手術計画では、3次元顔面骨形状モデルにおける顎変形の外科的修正をシミュレートする。正常な解剖を表現した基準顔骨形状モデルは、計画精度を向上させるための客観的ガイダンスを提供することができる。本稿では,顔面骨の形状モデルを自動的に推定する自己教師型ディープフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-11T05:24:40Z)
Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文参考訳（メタデータ） (2020-04-17T11:55:03Z)
Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。本稿では,ボディセグメンテーションを重要な監視対象として紹介する。部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。