論文の概要: A Generative Shape Compositional Framework to Synthesise Populations of Virtual Chimaeras

• arxiv url: http://arxiv.org/abs/2210.01607v2
• Date: Mon, 4 Mar 2024 17:52:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 04:18:44.692933
• Title: A Generative Shape Compositional Framework to Synthesise Populations of Virtual Chimaeras
• Title（参考訳）: 仮想キメラの個体群を合成する生成的形状構成フレームワーク
• Authors: Haoran Dou, Seppo Virtanen, Nishant Ravikumar, Alejandro F. Frangi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.33206865588584
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generating virtual populations of anatomy that capture sufficient variability while remaining plausible is essential for conducting in-silico trials of medical devices. However, not all anatomical shapes of interest are always available for each individual in a population. Hence, missing/partially-overlapping anatomical information is often available across individuals in a population. We introduce a generative shape model for complex anatomical structures, learnable from datasets of unpaired datasets. The proposed generative model can synthesise complete whole complex shape assemblies coined virtual chimaeras, as opposed to natural human chimaeras. We applied this framework to build virtual chimaeras from databases of whole-heart shape assemblies that each contribute samples for heart substructures. Specifically, we propose a generative shape compositional framework which comprises two components - a part-aware generative shape model which captures the variability in shape observed for each structure of interest in the training population; and a spatial composition network which assembles/composes the structures synthesised by the former into multi-part shape assemblies (viz. virtual chimaeras). We also propose a novel self supervised learning scheme that enables the spatial composition network to be trained with partially overlapping data and weak labels. We trained and validated our approach using shapes of cardiac structures derived from cardiac magnetic resonance images available in the UK Biobank. Our approach significantly outperforms a PCA-based shape model (trained with complete data) in terms of generalisability and specificity. This demonstrates the superiority of the proposed approach as the synthesised cardiac virtual populations are more plausible and capture a greater degree of variability in shape than those generated by the PCA-based shape model.
• Abstract（参考訳）: 医療機器のシリコン内試験を行うには、十分な変動を捉えつつ、可視性を維持した解剖学の仮想集団を生成することが不可欠である。 しかし、すべての解剖学的形態が、人口の個体ごとに常に利用できるわけではない。 したがって、欠如/部分的重複した解剖学的情報は、集団内の個人間でしばしば利用可能である。 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。 提案する生成モデルは、自然のヒトのキメラとは対照的に、仮想キメラを造った完全な複雑な形状集合を合成することができる。 本フレームワークを応用し,心サブストラクチャのサンプルに寄与する全身形状の集合体データベースから仮想キメラを構築する。 具体的には,訓練集団の関心構造毎に観察される形状の変動を捉える部分認識生成型モデルと,前者が合成した構造を多元的な形状集合体として組み立て,構成する空間構成ネットワークの2つの構成要素からなる生成型合成フレームワークを提案する(viz. virtual chimaeras)。 また,空間構成ネットワークを部分的に重なり合うデータと弱いラベルで訓練できる,新しい自己教師あり学習方式を提案する。 イギリスのバイオバンクで利用可能な心磁気共鳴画像から得られた心臓構造の形状を用いて,このアプローチを訓練し,検証した。 本手法は汎用性と特異性の観点からpcaベースの形状モデル(完全データで学習)を著しく上回っている。 これは, 合成心室仮想集団は, pcaベースの形状モデルによって生成されるものよりも, 形状変化の度合いが高いため, 提案手法が優れていることを示す。

関連論文リスト

• An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation [45.820901263103806]
  In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築 本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。 提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
  論文  参考訳（メタデータ） (2024-03-10T21:33:53Z)
• Bayesian Intrinsic Groupwise Image Registration: Unsupervised Disentanglement of Anatomy and Geometry [53.645443644821306]
  本稿では,医用画像の集団登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から得られた4つのデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• TailorMe: Self-Supervised Learning of an Anatomically Constrained Volumetric Human Shape Model [4.474107938692397]
  人間の形状空間は、人間の形状の中核要素であり、推論タスクを装うため、広く研究されている。 骨格骨と軟組織からなる解剖学的テンプレートをCAESARデータベースの表面スキャンに作成する。 このデータは、人文的に制約された容積的人体形状モデルを自己監督的に学習するために使用される。
  論文  参考訳（メタデータ） (2023-11-03T07:42:19Z)
• A Conditional Flow Variational Autoencoder for Controllable Synthesis of Virtual Populations of Anatomy [76.20367415712867]
  本稿では,正規化フローを用いた条件付き変分オートエンコーダ(cVAE)を提案する。 2360例の心左心室データを用いた条件流VAEの性能について検討した。
  論文  参考訳（メタデータ） (2023-06-26T13:23:52Z)
• Statistical Shape Modeling of Biventricular Anatomy with Shared Boundaries [16.287876512923084]
  本稿では,共有境界を持つ多臓器解剖学の統計的形状モデルを構築するための汎用的で柔軟なデータ駆動手法を提案する。 心臓の共有境界における形状変化は、非協調的収縮と低臓器灌流を引き起こす潜在的な病理学的変化を示す可能性がある。
  論文  参考訳（メタデータ） (2022-09-06T15:54:37Z)
• Learning Population-level Shape Statistics and Anatomy Segmentation From Images: A Joint Deep Learning Model [0.0]
  点分布モデル(PDM)は、密度の高い対応によって解剖学的表面を表す。 本稿では,この2つの座標空間をボリューム画像から直接同時に学習するディープラーニングベースのフレームワークを提案する。 世界対応は、従来のPDMモデルに係わる重い前処理やセグメンテーションを回避し、形状解析の応用に直接使用することができる。
  論文  参考訳（メタデータ） (2022-01-10T17:24:35Z)
• SP-GAN: Sphere-Guided 3D Shape Generation and Manipulation [50.53931728235875]
  点雲の形で3次元形状を直接合成するための新しい教師なし球誘導生成モデルSP-GANを提案する。 既存のモデルと比較して、SP-GANは多種多様な高品質な形状を詳細に合成することができる。
  論文  参考訳（メタデータ） (2021-08-10T06:49:45Z)
• Learning to Segment Human Body Parts with Synthetically Trained Deep Convolutional Networks [58.0240970093372]
  本稿では,合成データのみを用いて学習した深部畳み込みニューラルネットワークに基づく人体部分分割のための新しい枠組みを提案する。 提案手法は,人体部品の実際の注釈付きデータを用いてモデルを訓練することなく,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-02-02T12:26:50Z)
• 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)

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。