論文の概要: Landmark-free Statistical Shape Modeling via Neural Flow Deformations

• arxiv url: http://arxiv.org/abs/2209.06861v1
• Date: Wed, 14 Sep 2022 18:17:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-16 12:16:32.728277
• Title: Landmark-free Statistical Shape Modeling via Neural Flow Deformations
• Title（参考訳）: ニューラルフロー変形によるランドマークフリー統計形状モデリング
• Authors: David L\"udke, Tamaz Amiranashvili, Felix Ambellan, Ivan Ezhov, Bjoern Menze, Stefan Zachow
• Abstract要約: 本稿では,トレーニングインスタンス間の密接な対応を必要とせず,形状変化を学習する新しい形状モデリング手法であるFlowSSMを提案する。 当モデルでは, 遠位端大腿骨・肝臓に先立って, 表現的かつ頑健な形状を提供することで, 最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.5897108307012394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Statistical shape modeling aims at capturing shape variations of an anatomical structure that occur within a given population. Shape models are employed in many tasks, such as shape reconstruction and image segmentation, but also shape generation and classification. Existing shape priors either require dense correspondence between training examples or lack robustness and topological guarantees. We present FlowSSM, a novel shape modeling approach that learns shape variability without requiring dense correspondence between training instances. It relies on a hierarchy of continuous deformation flows, which are parametrized by a neural network. Our model outperforms state-of-the-art methods in providing an expressive and robust shape prior for distal femur and liver. We show that the emerging latent representation is discriminative by separating healthy from pathological shapes. Ultimately, we demonstrate its effectiveness on two shape reconstruction tasks from partial data. Our source code is publicly available (https://github.com/davecasp/flowssm).
• Abstract（参考訳）: 統計的形状モデリングは、特定の集団内で起こる解剖学的構造の形状変化を捉えることを目的としている。 形状モデルは形状再構成や画像分割など多くのタスクで用いられ、形状生成や分類も行われている。 既存の形状優先はトレーニング例間の密接な対応を必要とするか、ロバスト性やトポロジカルな保証が欠如している。 本稿では,トレーニングインスタンス間の密接な対応を必要とせず,形状変化を学習する新しい形状モデリング手法であるflowsmを提案する。 これは、ニューラルネットワークによってパラメータ化される連続的な変形フローの階層に依存する。 本モデルは,大腿骨遠位部と肝に対する表現力とロバストな形状を提供するため,最先端の手法に勝る。 また, 出現する潜伏表現は, 健康的形状と病理的形状を区別することで判別可能であることを示した。 最終的に,部分的データから2つの形状復元タスクにおいて有効性を示す。 ソースコードは公開されている(https://github.com/davecasp/flowssm)。

関連論文リスト

• Transferable Post-training via Inverse Value Learning [83.75002867411263]
  別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。 このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。 得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
  論文  参考訳（メタデータ） (2024-10-28T13:48:43Z)
• Deep Medial Voxels: Learned Medial Axis Approximations for Anatomical Shape Modeling [5.584193645582203]
  画像量からトポロジカルな骨格を忠実に近似する半単純表現であるディープ・メディアル・ボクセルを導入する。 再現技術は,可視化と計算機シミュレーションの両方の可能性を示している。
  論文  参考訳（メタデータ） (2024-03-18T13:47:18Z)
• 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach [61.76304400106871]
  未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-19T09:41:09Z)
• 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)
• 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)
• Topology-Preserving Shape Reconstruction and Registration via Neural Diffeomorphic Flow [22.1959666473906]
  Deep Implicit Function (DIF) は、ディープニューラルネットワークを通して学習された連続符号付き距離関数を持つ3次元幾何学を表す。 深い暗黙的形状テンプレートを学習するためのニューラル拡散型流れ(NDF)と呼ばれる新しいモデルを提案する。 NDFは、常に最先端の臓器形状の再構築と、精度と品質の両面での登録結果を達成する。
  論文  参考訳（メタデータ） (2022-03-16T14:39:11Z)
• Identity-Disentangled Neural Deformation Model for Dynamic Meshes [8.826835863410109]
  我々は、暗黙の神経機能を用いたポーズ依存的な変形から、同一性によって引き起こされる形状変化を歪曲する神経変形モデルを学ぶ。 本稿では,大域的ポーズアライメントとニューラル変形モデルを統合する2つの手法を提案する。 また, 固定テンプレートの制約を伴わずにヤシの印刷や腱などの表面の細部を再構築する際に, 従来の骨格駆動モデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-09-30T17:43:06Z)
• Augmenting Implicit Neural Shape Representations with Explicit Deformation Fields [95.39603371087921]
  入射神経表現は、ニューラルネットワークのゼロレベルセットとして形状収集を学ぶための最近のアプローチである。 我々は,暗黙的ニューラル表現に対する変形認識正規化を提唱し,遅延コードの変化として可塑性変形を生成することを目的とした。
  論文  参考訳（メタデータ） (2021-08-19T22:07:08Z)
• 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)
• Discriminative and Generative Models for Anatomical Shape Analysison Point Clouds with Deep Neural Networks [3.7814216736076434]
  与えられたタスクから低次元の形状表現を学習する解剖学的形状の解析のためのディープニューラルネットワークを導入する。 我々のフレームワークはモジュール構造であり、基本的な形状処理タスクを実行するいくつかの計算ブロックで構成されています。 本稿では, 疾患分類と年齢回帰の判別モデルと, 形状復元のための生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-02T07:37:40Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。