論文の概要: CortexODE: Learning Cortical Surface Reconstruction by Neural ODEs
- arxiv url: http://arxiv.org/abs/2202.08329v1
- Date: Wed, 16 Feb 2022 20:57:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-18 15:53:01.251447
- Title: CortexODE: Learning Cortical Surface Reconstruction by Neural ODEs
- Title（参考訳）: CortexODE: ニューラルネットワークによる皮質表面再構成学習
- Authors: Qiang Ma, Liu Li, Emma C. Robinson, Bernhard Kainz, Daniel Rueckert,
Amir Alansary
- Abstract要約: CortexODEは皮質表面再構成のためのディープラーニングフレームワークである。
自動学習ベースのパイプラインに統合して,表面を6秒以内で効率的に再構築することも可能だ。
実験により,CortexODEに基づくパイプラインは平均幾何誤差が0.2mm未満であることを示す。
- 参考スコア（独自算出の注目度）: 12.239318066719068
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present CortexODE, a deep learning framework for cortical surface
reconstruction. CortexODE leverages neural ordinary different equations (ODEs)
to deform an input surface into a target shape by learning a diffeomorphic
flow. The trajectories of the points on the surface are modeled as ODEs, where
the derivatives of their coordinates are parameterized via a learnable
Lipschitz-continuous deformation network. This provides theoretical guarantees
for the prevention of self-intersections. CortexODE can be integrated to an
automatic learning-based pipeline, which reconstructs cortical surfaces
efficiently in less than 6 seconds. The pipeline utilizes a 3D U-Net to predict
a white matter segmentation from brain Magnetic Resonance Imaging (MRI) scans,
and further generates a signed distance function that represents an initial
surface. Fast topology correction is introduced to guarantee homeomorphism to a
sphere. Following the isosurface extraction step, two CortexODE models are
trained to deform the initial surface to white matter and pial surfaces
respectively. The proposed pipeline is evaluated on large-scale neuroimage
datasets in various age groups including neonates (25-45 weeks), young adults
(22-36 years) and elderly subjects (55-90 years). Our experiments demonstrate
that the CortexODE-based pipeline can achieve less than 0.2mm average geometric
error while being orders of magnitude faster compared to conventional
processing pipelines.
- Abstract（参考訳）: 皮質表面再構成のためのディープラーニングフレームワークであるCortexODEを提案する。
CortexODEはニューラル常微分方程式(ODE)を利用して、微分フローを学習することで入力表面をターゲット形状に変形させる。
曲面上の点の軌道は、その座標の微分が学習可能なリプシッツ連続変形ネットワークを介してパラメータ化されるodeとしてモデル化される。
これは、自己切断の防止に関する理論的保証を提供する。
CortexODEは、6秒未満で皮質表面を効率的に再構築する自動学習ベースのパイプラインに統合することができる。
パイプラインは3D U-Netを使用して脳磁気共鳴イメージング(MRI)スキャンから白色物質セグメンテーションを予測し、初期表面を表す符号付き距離関数を生成する。
球面への同相性を保証するために高速位相補正を導入する。
等表面抽出工程の後、2つのCortexODEモデルをトレーニングし、初期表面をそれぞれ白色物質とピアル表面に変形させる。
提案したパイプラインは,新生児(25～45週),若年者(22～36歳),高齢者(55～90歳)など,様々な年齢層における大規模神経画像データセットを用いて評価した。
実験により,従来の処理パイプラインに比べて桁違いに高速でありながら平均幾何誤差が0.2mm未満であることを示す。
関連論文リスト
- Neural deformation fields for template-based reconstruction of cortical
surfaces from MRI [5.4173776411667935]
本稿では,脳テンプレートからMRIスキャンの皮質表面への変形場を学習するディープメッシュ変形技術であるVox2Cortex-Flowを紹介する。
V2C-Flowは非常に高速なだけでなく、4つの皮質表面を推測するのに2秒もかからない。
V2C-Flowは精度の点で最先端の皮質表面を呈することを示す。
論文 参考訳（メタデータ） (2024-01-23T17:50:58Z) - Reconstruction of Cortical Surfaces with Spherical Topology from Infant
Brain MRI via Recurrent Deformation Learning [16.9042503785353]
MRIからの皮質表面再構成(CSR)は、脳の構造と機能を研究する鍵となる。
本稿では,数秒以内に効率よく球面マッピングを行う手法を提案する。
乳児期脳MRIに対するアプローチの有効性を実証し,CSRに重大な課題を提起した。
論文 参考訳（メタデータ） (2023-12-10T20:20:16Z) - Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。
非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。
また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
論文 参考訳（メタデータ） (2023-11-28T18:56:01Z) - NeuRBF: A Neural Fields Representation with Adaptive Radial Basis
Functions [93.02515761070201]
本稿では,信号表現に一般放射状基底を用いる新しいタイプのニューラルネットワークを提案する。
提案手法は, 空間適応性が高く, ターゲット信号により密着可能な, フレキシブルなカーネル位置と形状を持つ一般ラジアルベース上に構築する。
ニューラルラジアンス場再構成に適用した場合,本手法はモデルサイズが小さく,訓練速度が同等である最先端のレンダリング品質を実現する。
論文 参考訳（メタデータ） (2023-09-27T06:32:05Z) - Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape
Reconstruction from Point Clouds [53.02191521770926]
我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。
nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。
全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
論文 参考訳（メタデータ） (2023-08-03T13:56:07Z) - Neural Vector Fields: Implicit Representation by Explicit Learning [63.337294707047036]
ニューラルベクトル場 (Neural Vector Fields, NVF) という新しい3次元表現法を提案する。
メッシュを直接操作するための明示的な学習プロセスを採用するだけでなく、符号なし距離関数(UDF)の暗黙的な表現も採用している。
提案手法は,まず表面への変位クエリを予測し,テキスト再構成として形状をモデル化する。
論文 参考訳（メタデータ） (2023-03-08T02:36:09Z) - CorticalFlow: A Diffeomorphic Mesh Deformation Module for Cortical
Surface Reconstruction [18.851541271793085]
CorticalFlowは、ターゲットオブジェクトに対して参照テンプレートを変形させることを学ぶ、新しい幾何学的ディープラーニングモデルである。
脳皮質表面再構成の課題に対して,その性能を実証する。
論文 参考訳（メタデータ） (2022-06-06T06:10:31Z) - Vox2Cortex: Fast Explicit Reconstruction of Cortical Surfaces from 3D
MRI Scans with Geometric Deep Neural Networks [3.364554138758565]
深層学習に基づくアルゴリズムであるVox2Cortexを提案する。
我々は3つの脳MRIデータセットの広範な実験で、我々のメッシュは現場の最先端の方法で再構築されたものと同じくらい正確であることを示した。
論文 参考訳（メタデータ） (2022-03-17T17:06:00Z) - Deep Modeling of Growth Trajectories for Longitudinal Prediction of
Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。
提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。
本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文 参考訳（メタデータ） (2020-09-06T18:46:04Z) - Neural Splines: Fitting 3D Surfaces with Infinitely-Wide Neural Networks [61.07202852469595]
本稿では,無限幅浅部ReLUネットワークから生じるランダムな特徴カーネルをベースとした3次元表面再構成手法であるNeural Splinesを提案する。
提案手法は,最近のニューラルネットワーク技術より優れ,ポアソン表面再構成に広く用いられている。
論文 参考訳（メタデータ） (2020-06-24T14:54:59Z)
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。