論文の概要: Learning correspondences of cardiac motion from images using biomechanics-informed modeling

• arxiv url: http://arxiv.org/abs/2209.00726v1
• Date: Thu, 1 Sep 2022 20:59:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 12:50:22.772814
• Title: Learning correspondences of cardiac motion from images using biomechanics-informed modeling
• Title（参考訳）: バイオメカニクスインフォームドモデリングによる画像からの心臓運動の学習対応
• Authors: Xiaoran Zhang, Chenyu You, Shawn Ahn, Juntang Zhuang, Lawrence Staib, James Duncan
• Abstract要約: 予測変位ベクトル場(DVF)上での正則化として, バイオメカニクスを前もって明示的に表現する手法を提案する。 提案手法は,視覚的評価による生体力学的特性の保存性を向上し,定量的評価指標を用いたセグメンテーション性能の優位性を示す。
• 参考スコア（独自算出の注目度）: 7.193217430660012
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning spatial-temporal correspondences in cardiac motion from images is important for understanding the underlying dynamics of cardiac anatomical structures. Many methods explicitly impose smoothness constraints such as the $\mathcal{L}_2$ norm on the displacement vector field (DVF), while usually ignoring biomechanical feasibility in the transformation. Other geometric constraints either regularize specific regions of interest such as imposing incompressibility on the myocardium or introduce additional steps such as training a separate network-based regularizer on physically simulated datasets. In this work, we propose an explicit biomechanics-informed prior as regularization on the predicted DVF in modeling a more generic biomechanically plausible transformation within all cardiac structures without introducing additional training complexity. We validate our methods on two publicly available datasets in the context of 2D MRI data and perform extensive experiments to illustrate the effectiveness and robustness of our proposed methods compared to other competing regularization schemes. Our proposed methods better preserve biomechanical properties by visual assessment and show advantages in segmentation performance using quantitative evaluation metrics. The code is publicly available at \url{https://github.com/Voldemort108X/bioinformed_reg}.
• Abstract（参考訳）: 画像から心臓運動の時空間対応を学習することは、心臓解剖学的構造の基礎となる力学を理解する上で重要である。 多くの手法は、変位ベクトル場(DVF)上の$\mathcal{L}_2$ノルムのような滑らかな制約を明示的に課すが、通常は変換における生体力学的実現可能性を無視している。 他の幾何学的制約は、心筋に非圧縮性を付与するなどの特定の関心領域の規則化や、物理的にシミュレートされたデータセット上で別々のネットワークベースの正規化器をトレーニングするなどの追加ステップの導入である。 そこで本研究では, 予測値dvfの正則化に先立って, より汎用的な生体力学的に有理な心構造変換をモデル化する手法を提案する。 提案手法の有効性とロバスト性を他の競合する正規化手法と比較し,2次元MRIデータを用いて2つの公開データセット上で検証し,提案手法の有効性とロバスト性を示す。 提案手法は, 生体力学的特性を視覚的評価により保存し, 定量的評価指標を用いたセグメンテーション性能の利点を示す。 コードは \url{https://github.com/Voldemort108X/bioinformed_reg} で公開されている。

関連論文リスト

• Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
  全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。 本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。 この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:05Z)
• Explicit Differentiable Slicing and Global Deformation for Cardiac Mesh Reconstruction [8.730291904586656]
  医用画像からの心臓解剖のメッシュ再構築は, 形状, 運動計測, 生体物理シミュレーションに有用である。 従来のボクセルベースのアプローチは、イメージの忠実さを損なう前処理と後処理に依存している。 そこで本稿では,メッシュのスライスからメッシュへの勾配バックプロパゲーションを可能にする,新しい識別可能なボキセル化とスライシング(DVS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-03T17:19:31Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• An Optimization Framework to Personalize Passive Cardiac Mechanics [1.3127539363517526]
  本研究は、心臓組織の受動力学的特性を推定する逆有限要素解析(iFEA)フレームワークを提案する。 受動的機械的挙動を特徴づけることに焦点をあて、このフレームワークは構造に基づく異方性超弾性モデルを採用している。 本フレームワークは,心相分解CT画像から得られた胆道および左房の心筋モデルを用いて検討した。
  論文  参考訳（メタデータ） (2024-04-03T15:23:17Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Simulation-based Inference for Cardiovascular Models [57.92535897767929]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• 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)
• Generative Myocardial Motion Tracking via Latent Space Exploration with Biomechanics-informed Prior [16.129107206314043]
  心筋運動と変形は、心臓機能を特徴づける豊富な記述子である。 画像登録は、心筋運動追跡において最も一般的に用いられる手法であり、不適切な逆問題である。 本稿では,アプリケーション固有のバイオメカニクスを前もって暗黙的に学習する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-08T12:02:00Z)
• PhysFormer: Facial Video-based Physiological Measurement with Temporal Difference Transformer [55.936527926778695]
  近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。 本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
  論文  参考訳（メタデータ） (2021-11-23T18:57:11Z)
• Biomechanics-informed Neural Networks for Myocardial Motion Tracking in MRI [15.686391154738006]
  本稿では,バイオメカニクスによる正規化を暗黙的に学習する手法を提案する。 心臓MRIデータの2次元スタック上での心筋運動追跡の文脈において,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-06-08T16:29:13Z)

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。