論文の概要: Vox2Cortex: Fast Explicit Reconstruction of Cortical Surfaces from 3D MRI Scans with Geometric Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2203.09446v1
• Date: Thu, 17 Mar 2022 17:06:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-18 15:22:21.376089
• Title: Vox2Cortex: Fast Explicit Reconstruction of Cortical Surfaces from 3D MRI Scans with Geometric Deep Neural Networks
• Title（参考訳）: Vox2Cortex: 幾何学的ディープニューラルネットワークを用いた3次元MRIスキャンから皮質表面を高速に再現する
• Authors: Fabian Bongratz, Anne-Marie Rickmann, Sebastian P\"olsterl, Christian Wachinger
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.364554138758565
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The reconstruction of cortical surfaces from brain magnetic resonance imaging (MRI) scans is essential for quantitative analyses of cortical thickness and sulcal morphology. Although traditional and deep learning-based algorithmic pipelines exist for this purpose, they have two major drawbacks: lengthy runtimes of multiple hours (traditional) or intricate post-processing, such as mesh extraction and topology correction (deep learning-based). In this work, we address both of these issues and propose Vox2Cortex, a deep learning-based algorithm that directly yields topologically correct, three-dimensional meshes of the boundaries of the cortex. Vox2Cortex leverages convolutional and graph convolutional neural networks to deform an initial template to the densely folded geometry of the cortex represented by an input MRI scan. We show in extensive experiments on three brain MRI datasets that our meshes are as accurate as the ones reconstructed by state-of-the-art methods in the field, without the need for time- and resource-intensive post-processing. To accurately reconstruct the tightly folded cortex, we work with meshes containing about 168,000 vertices at test time, scaling deep explicit reconstruction methods to a new level.
• Abstract（参考訳）: 脳磁気共鳴画像(MRI)スキャンによる皮質表面の再構築は、皮質の厚さとsulcal morphologyの定量的解析に不可欠である。 この目的のために、伝統的なディープラーニングベースのアルゴリズムパイプラインは存在するが、それらは2つの大きな欠点がある: 複数時間(伝統的)の長いランタイム、またはメッシュ抽出やトポロジ補正(ディープラーニングベース)のような複雑な後処理である。 本研究では,これら2つの問題に対処し,大脳皮質の境界の3次元メッシュを直接生成する深層学習に基づくアルゴリズムであるVox2Cortexを提案する。 Vox2Cortexは畳み込みニューラルネットワークとグラフ畳み込みニューラルネットワークを利用して、入力MRIスキャンで表される大脳皮質の密に折り畳まれた幾何学に初期テンプレートを変形する。 我々は3つの脳MRIデータセットの広範な実験で、我々のメッシュは時間とリソース集約的な後処理を必要とせずに、現場の最先端の手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。 密に折りたたまれた皮質を正確に再構築するために、テスト時に約168,000個の頂点を含むメッシュを用いて、深部明示的な再構成方法を新しいレベルにスケールする。

関連論文リスト

• R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
  3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。 本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
  論文  参考訳（メタデータ） (2024-05-31T08:39:02Z)
• 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)
• Tissue Segmentation of Thick-Slice Fetal Brain MR Scans with Guidance from High-Quality Isotropic Volumes [52.242103848335354]
  本稿では,高品位等方性ボリュームから学習した知識を高密度スライススキャンの正確な組織セグメント化のために効率的に伝達するC2DA-Netを提案する。 我々のC2DA-Netは、注釈のない厚いスライススキャンで組織分画をガイドするために、注釈付き等方性ボリュームの小さなセットを十分に利用できる。
  論文  参考訳（メタデータ） (2023-08-13T12:51:15Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
  Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。 従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。 これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。 本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-26T14:38:42Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Joint Reconstruction and Parcellation of Cortical Surfaces [3.9198548406564604]
  脳MRI画像からの大脳皮質表面の再構成は、アルツハイマー病(AD)のような神経変性疾患における脳形態解析と皮質シンニングの検出に有用である 本研究では,グラフ分類分岐に基づく2つの選択肢と,新しい汎用的な3次元再構成損失に基づく2つの選択肢を提案し,テンプレート・デフォーメーション・アルゴリズムを改良する。 我々はDiceスコア90.2(グラフ分類分岐)と90.4(復元損失90.4)の高精度なパーセレーションと最先端のサーフェスを同時に達成した。
  論文  参考訳（メタデータ） (2022-09-19T11:45:39Z)
• A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction [1.8047694351309207]
  本研究では,ボリュームCTとMR画像データから心表面メッシュ全体を直接予測する深層学習に基づく新しい手法を提案する。 本手法は,高分解能,高品質の全心臓再建を実現できる有望な性能を示した。
  論文  参考訳（メタデータ） (2021-02-16T00:39:43Z)
• DeepCSR: A 3D Deep Learning Approach for Cortical Surface Reconstruction [20.977071784183256]
  DeepCSRは、MRIから皮質表面を再構築するための3Dディープラーニングフレームワークである。 高分解能で皮質表面を効率的に再構築し、皮質の折り畳みの細部を捉える。 DeepCSRは、広く使われているFreeSurferツールボックスやディープラーニング駆動のFastSurferよりも正確で、より正確で、高速である。
  論文  参考訳（メタデータ） (2020-10-22T03:57:44Z)
• Cephalometric Landmark Regression with Convolutional Neural Networks on 3D Computed Tomography Data [68.8204255655161]
  側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。 本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。 本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
  論文  参考訳（メタデータ） (2020-07-20T12:45:38Z)

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。