論文の概要: CorticalFlow: A Diffeomorphic Mesh Deformation Module for Cortical Surface Reconstruction

• arxiv url: http://arxiv.org/abs/2206.02374v1
• Date: Mon, 6 Jun 2022 06:10:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-07 14:04:35.950513
• Title: CorticalFlow: A Diffeomorphic Mesh Deformation Module for Cortical Surface Reconstruction
• Title（参考訳）: CorticalFlow: 皮質表面再構成のための異形メッシュ変形モジュール
• Authors: L\'eo Lebrat, Rodrigo Santa Cruz, Fr\'ed\'eric de Gournay, Darren Fu, Pierrick Bourgeat, Jurgen Fripp, Clinton Fookes, Olivier Salvado
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.851541271793085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we introduce CorticalFlow, a new geometric deep-learning model that, given a 3-dimensional image, learns to deform a reference template towards a targeted object. To conserve the template mesh's topological properties, we train our model over a set of diffeomorphic transformations. This new implementation of a flow Ordinary Differential Equation (ODE) framework benefits from a small GPU memory footprint, allowing the generation of surfaces with several hundred thousand vertices. To reduce topological errors introduced by its discrete resolution, we derive numeric conditions which improve the manifoldness of the predicted triangle mesh. To exhibit the utility of CorticalFlow, we demonstrate its performance for the challenging task of brain cortical surface reconstruction. In contrast to current state-of-the-art, CorticalFlow produces superior surfaces while reducing the computation time from nine and a half minutes to one second. More significantly, CorticalFlow enforces the generation of anatomically plausible surfaces; the absence of which has been a major impediment restricting the clinical relevance of such surface reconstruction methods.
• Abstract（参考訳）: 本稿では,3次元画像から対象物への参照テンプレートの変形を学習する,新しい幾何学的深層学習モデルであるCorticalFlowを紹介する。 テンプレートメッシュのトポロジ特性を保存するために、微分同相変換の集合上でモデルを訓練する。 Flow Ordinary Differential Equation(ODE)フレームワークのこの新しい実装は、GPUメモリのフットプリントを小さくすることで、数十万の頂点を持つ曲面を生成することができる。 離散分解による位相誤差を低減するために,予測三角形メッシュの多様体性を改善する数値条件を導出する。 CorticalFlowの有用性を示すために,脳皮質表面再構成の課題に対して,その性能を示す。 現在の最先端とは対照的に、CorticalFlowは計算時間を9分半から1秒に短縮しながら優れた曲面を生成する。 より顕著に、CorticalFlowは解剖学的に可塑性表面の生成を強制し、そのような表面再構成法の臨床的関連性を制限する主要な障害となっている。

関連論文リスト

• DynoSurf: Neural Deformation-based Temporally Consistent Dynamic Surface Reconstruction [93.18586302123633]
  本稿では3次元点雲列から時間的に一貫した表面を対応なく再構成する問題について考察する。 テンプレート表面表現と学習可能な変形場を統合した教師なし学習フレームワークDynoSurfを提案する。 実験により、DynoSurfの現在の最先端アプローチに対する顕著な優位性を示した。
  論文  参考訳（メタデータ） (2024-03-18T08:58:48Z)
• 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)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
  ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。 本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
  論文  参考訳（メタデータ） (2022-10-05T16:52:25Z)
• CorticalFlow$^{++}$: Boosting Cortical Surface Reconstruction Accuracy, Regularity, and Interoperability [19.79686539414599]
  このタスクを数時間から数秒に短縮するために、改良されたディープラーニングアプローチが導入されている。 本稿では,既存の表面分析ツールとの相互運用性と精度向上のための3つの改良点を提案する。 提案した変更は、再構成時間とGPUメモリ要件をほとんど変更することなく、より幾何的精度と表面の規則性を提供する。
  論文  参考訳（メタデータ） (2022-06-14T05:23:23Z)
• Neural Template: Topology-aware Reconstruction and Disentangled Generation of 3D Meshes [52.038346313823524]
  本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。 提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-06-10T08:32:57Z)
• CortexODE: Learning Cortical Surface Reconstruction by Neural ODEs [12.239318066719068]
  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。
  論文  参考訳（メタデータ） (2022-02-16T20:57:59Z)
• Bridge the Gap Between Model-based and Model-free Human Reconstruction [10.818838437018682]
  グラフ畳み込みニューラルネットワークによって構築された暗黙の面と明示的なメッシュモデルを同時に予測するエンド・ツー・エンドニューラルネットワークを提案する。 DeepHumanデータセットの実験は、我々のアプローチが効果的であることを示した。
  論文  参考訳（メタデータ） (2021-06-11T11:13:42Z)
• Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
  学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。 ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。 Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
  論文  参考訳（メタデータ） (2020-11-03T02:57:01Z)

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。