Fugu-MT 論文翻訳(概要): Predicting Shape Development: a Riemannian Method

論文の概要: Predicting Shape Development: a Riemannian Method

arxiv url: http://arxiv.org/abs/2212.04740v3
Date: Mon, 28 Aug 2023 09:59:28 GMT
ステータス: 処理完了
システム内更新日: 2023-08-30 01:02:53.943310
Title: Predicting Shape Development: a Riemannian Method
Title（参考訳）: 形状の予測 -リーマン法-
Authors: Do\u{g}a T\"urkseven and Islem Rekik and Christoph von Tycowicz and Martin Hanik
Abstract要約: アルツハイマー病および人体運動下での右海馬の形状を予測する新しい手法を提案する。縦断的トレーニングデータの階層的統計モデルに基づく単純な予測手法を学習する。ディープラーニング支援の亜種と最先端の亜種を上回ります。
参考スコア（独自算出の注目度）: 5.973995274784385
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting the future development of an anatomical shape from a single baseline observation is a challenging task. But it can be essential for clinical decision-making. Research has shown that it should be tackled in curved shape spaces, as (e.g., disease-related) shape changes frequently expose nonlinear characteristics. We thus propose a novel prediction method that encodes the whole shape in a Riemannian shape space. It then learns a simple prediction technique founded on hierarchical statistical modeling of longitudinal training data. When applied to predict the future development of the shape of the right hippocampus under Alzheimer's disease and to human body motion, it outperforms deep learning-supported variants as well as state-of-the-art.
Abstract（参考訳）: 一つのベースライン観察から解剖学的形状の将来発展を予測することは難しい課題である。しかし、それは臨床意思決定に不可欠である。曲がった形状空間で取り組まなければならないという研究結果が示されており、例えば、病気に関連する形状の変化は、しばしば非線形特性を露呈する。そこで我々は,リーマン形状空間の全体形状を符号化する新しい予測法を提案する。次に,縦型トレーニングデータの階層的統計モデルに基づく単純な予測手法を学ぶ。アルツハイマー病における右海馬の形状と人体運動の将来の発達を予測するために応用された場合、深層学習支援型と最先端型よりも優れる。

関連論文リスト

SCorP: Statistics-Informed Dense Correspondence Prediction Directly from Unsegmented Medical Images [5.507868474642766]
SCorPは,非分割画像から直接表面上の対応を予測できる新しいフレームワークである。提案モデルでは,対応予測タスクの監督を取り除き,トレーニングフェーズと推論フェーズを合理化する。
論文参考訳（メタデータ） (2024-04-27T17:56:58Z)
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)
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)
Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
論文参考訳（メタデータ） (2022-11-22T11:34:51Z)
Landmark-free Statistical Shape Modeling via Neural Flow Deformations [0.5897108307012394]
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。
論文参考訳（メタデータ） (2022-09-14T18:17:19Z)
Spatiotemporal Cardiac Statistical Shape Modeling: A Data-Driven Approach [0.0]
粒子ベース形状モデリング(PSM)は、個体群レベルの形状変化を捉えたデータ駆動型手法である。本稿では,PSM法にインスパイアされたデータ駆動型手法を提案する。
論文参考訳（メタデータ） (2022-09-06T18:00:45Z)
Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
論文参考訳（メタデータ） (2021-07-31T16:06:50Z)
Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces [58.780482825156035]
空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
論文参考訳（メタデータ） (2020-09-06T18:46:04Z)
Anatomical Predictions using Subject-Specific Medical Data [7.635279671482444]
個人の脳MRIが時間とともにどのように変化するかを予測する手法を提案する。予測変形場が与えられると、ベースラインスキャンをワープして、将来脳スキャンの予測を行うことができる。
論文参考訳（メタデータ） (2020-05-29T21:30:46Z)
Constrained Multi-shape Evolution for Overlapping Cytoplasm Segmentation [49.992392231966015]
本稿では,制約型多形進化という,新しい,効果的形状の先進的アプローチを提案する。クランプ内のすべての重なり合う細胞質を同時に分割し、モデル化された形状によって誘導される各細胞質の形状を共同で進化させる。形状進化においては, 局所形状前兆だけでなく, 大域形状前兆も導入することにより, セグメンテーションの強度不足を補う。
論文参考訳（メタデータ） (2020-04-08T09:08:07Z)

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。