論文の概要: Learning Population-level Shape Statistics and Anatomy Segmentation From Images: A Joint Deep Learning Model

• arxiv url: http://arxiv.org/abs/2201.03481v1
• Date: Mon, 10 Jan 2022 17:24:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 17:36:26.112851
• Title: Learning Population-level Shape Statistics and Anatomy Segmentation From Images: A Joint Deep Learning Model
• Title（参考訳）: 画像からの個体群レベルの形状統計と解剖学的セグメンテーション:共同学習モデル
• Authors: Wenzheng Tao, Riddhish Bhalodia, Shireen Elhabian
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Statistical shape modeling is an essential tool for the quantitative analysis of anatomical populations. Point distribution models (PDMs) represent the anatomical surface via a dense set of correspondences, an intuitive and easy-to-use shape representation for subsequent applications. These correspondences are exhibited in two coordinate spaces: the local coordinates describing the geometrical features of each individual anatomical surface and the world coordinates representing the population-level statistical shape information after removing global alignment differences across samples in the given cohort. We propose a deep-learning-based framework that simultaneously learns these two coordinate spaces directly from the volumetric images. The proposed joint model serves a dual purpose; the world correspondences can directly be used for shape analysis applications, circumventing the heavy pre-processing and segmentation involved in traditional PDM models. Additionally, the local correspondences can be used for anatomy segmentation. We demonstrate the efficacy of this joint model for both shape modeling applications on two datasets and its utility in inferring the anatomical surface.
• Abstract（参考訳）: 統計的形状モデリングは解剖学的集団の定量的解析に不可欠なツールである。 点分布モデル(PDM)は、その後の応用のための直感的で使いやすい形状表現である高密度な対応によって解剖面を表現する。 これらの対応は2つの座標空間で示される: 各解剖学的表面の幾何学的特徴を記述する局所座標と、与えられたコホート内のサンプル間のグローバルアライメント差を除去した後、人口レベルの統計形状情報を表す世界座標である。 ボリューム画像から2つの座標空間を同時に学習するディープラーニングフレームワークを提案する。 提案されたジョイントモデルには2つの目的があり、世界対応は、従来のpdmモデルに関連する重い前処理やセグメンテーションを回避して、形状分析アプリケーションに直接使用できる。 さらに、局所的な対応は解剖学的セグメンテーションに利用できる。 2つのデータセット上での形状モデリングアプリケーションと解剖学的表面の推定における有用性の両方に,このジョイントモデルの有効性を示す。

関連論文リスト

• An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation [45.820901263103806]
  In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築 本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。 提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
  論文  参考訳（メタデータ） (2024-03-10T21:33:53Z)
• TailorMe: Self-Supervised Learning of an Anatomically Constrained Volumetric Human Shape Model [4.474107938692397]
  人間の形状空間は、人間の形状の中核要素であり、推論タスクを装うため、広く研究されている。 骨格骨と軟組織からなる解剖学的テンプレートをCAESARデータベースの表面スキャンに作成する。 このデータは、人文的に制約された容積的人体形状モデルを自己監督的に学習するために使用される。
  論文  参考訳（メタデータ） (2023-11-03T07:42:19Z)
• Image2SSM: Reimagining Statistical Shape Models from Images with Radial Basis Functions [4.422330219605964]
  統計的形状モデリングのための新しい深層学習手法であるImage2SSMを提案する。 Image2SSMは、画像から直接形状の放射基底関数(RBF)に基づく表現を学習する。 解剖学的形状のアンサンブルの統計的ランドマークに基づく形状モデルを構築することにより、生物学的構造の個体群を特徴付けることができる。
  論文  参考訳（メタデータ） (2023-05-19T18:08:10Z)
• Mesh2SSM: From Surface Meshes to Statistical Shape Models of Anatomy [0.0]
  我々は、教師なしの置換不変表現学習を利用して、テンプレートポイントクラウドを主題固有のメッシュに変形する方法を推定する新しいアプローチであるMesh2SSMを提案する。 Mesh2SSMは集団固有のテンプレートも学習でき、テンプレート選択によるバイアスを低減できる。
  論文  参考訳（メタデータ） (2023-05-13T00:03:59Z)
• 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)
• 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)
• 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)
• Learning Deep Features for Shape Correspondence with Domain Invariance [10.230933226423984]
  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。
  論文  参考訳（メタデータ） (2021-02-21T02:25:32Z)
• Benchmarking off-the-shelf statistical shape modeling tools in clinical applications [53.47202621511081]
  我々は、広く使われている最先端のSSMツールの結果を体系的に評価する。 解剖学的ランドマーク/計測推測および病変スクリーニングのための検証フレームワークを提案する。 ShapeWorks と Deformetrica の形状モデルは臨床的に関連する集団レベルの変動を捉えている。
  論文  参考訳（メタデータ） (2020-09-07T03:51:35Z)
• What and Where: Modeling Skeletons from Semantic and Spatial Perspectives for Action Recognition [46.836815779215456]
  本研究では,新しい空間的視点から骨格をモデル化することを提案する。 意味論的観点から,共同関係のモデル化に熟練したトランスフォーマー型ネットワークを提案する。 空間的観点から,スケルトンデータをスパース形式に変換し,効率的な特徴抽出を行う。
  論文  参考訳（メタデータ） (2020-04-07T10:53:45Z)

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。