論文の概要: SurfNN: Joint Reconstruction of Multiple Cortical Surfaces from Magnetic Resonance Images

• arxiv url: http://arxiv.org/abs/2303.02922v1
• Date: Mon, 6 Mar 2023 06:40:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 17:01:44.712817
• Title: SurfNN: Joint Reconstruction of Multiple Cortical Surfaces from Magnetic Resonance Images
• Title（参考訳）: SurfNN:磁気共鳴画像による複数の皮質表面の関節再構成
• Authors: Hao Zheng, Hongming Li, Yong Fan
• Abstract要約: 我々はSurfNNと呼ばれる新しいディープラーニングベースのフレームワークを開発し、MRIから内面と外面の両方を再構築する。 SurfNNは1つのネットワークをトレーニングして、内部および外側の皮質表面を共同で再構築し、中厚さ表面を予測する。 この手法は大規模なMRIデータセットで評価され、競争力のある皮質表面再構成性能を示した。
• 参考スコア（独自算出の注目度）: 6.941882616397753
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: To achieve fast, robust, and accurate reconstruction of the human cortical surfaces from 3D magnetic resonance images (MRIs), we develop a novel deep learning-based framework, referred to as SurfNN, to reconstruct simultaneously both inner (between white matter and gray matter) and outer (pial) surfaces from MRIs. Different from existing deep learning-based cortical surface reconstruction methods that either reconstruct the cortical surfaces separately or neglect the interdependence between the inner and outer surfaces, SurfNN reconstructs both the inner and outer cortical surfaces jointly by training a single network to predict a midthickness surface that lies at the center of the inner and outer cortical surfaces. The input of SurfNN consists of a 3D MRI and an initialization of the midthickness surface that is represented both implicitly as a 3D distance map and explicitly as a triangular mesh with spherical topology, and its output includes both the inner and outer cortical surfaces, as well as the midthickness surface. The method has been evaluated on a large-scale MRI dataset and demonstrated competitive cortical surface reconstruction performance.
• Abstract（参考訳）: 3次元磁気共鳴画像(MRI)からヒト大脳皮質表面の高速かつ堅牢かつ正確な再構築を実現するため,SurfNNと呼ばれる新しい深層学習基盤を開発し,MRIから内面(白質と灰白質)と外面(ピアル)の両方を同時に再構築する。 内面と外面の相互依存性を別々に再構築するか無視する既存の深層学習ベースの皮質表面再構成法とは異なり、SurfNNは内面と外面の相互依存性を1つのネットワークでトレーニングすることにより、内面と外面の中央に位置する中厚表面を予測する。 surnnの入力は、3次元mriと3次元距離マップとして暗黙的に表現される中度面の初期化と球状トポロジーを持つ三角形メッシュとして明示的に表現され、その出力は内皮質面と外皮質面の両方と中度面の両方を含む。 この手法は大規模なMRIデータセットで評価され、競争力のある皮質表面再構成性能を示した。

関連論文リスト

• NeRSP: Neural 3D Reconstruction for Reflective Objects with Sparse Polarized Images [62.752710734332894]
  NeRSPはスパース偏光画像を用いた反射面のニューラル3次元再構成技術である。 偏光画像形成モデルと多視点方位整合性から測光的および幾何学的手がかりを導出する。 我々は6つのビューのみを入力として、最先端の表面再構成結果を達成する。
  論文  参考訳（メタデータ） (2024-06-11T09:53:18Z)
• 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)
• NeuSD: Surface Completion with Multi-View Text-to-Image Diffusion [56.98287481620215]
  本稿では,対象物の一部のみを捉えた複数の画像から3次元表面再構成を行う手法を提案する。 提案手法は, 表面の可視部分の再構成に神経放射場を用いた表面再構成法と, SDS (Score Distillation Sampling) 方式で事前学習した2次元拡散モデルを用いて, 可観測領域の形状を再現する手法である。
  論文  参考訳（メタデータ） (2023-12-07T19:30:55Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• EndoSurf: Neural Surface Reconstruction of Deformable Tissues with Stereo Endoscope Videos [72.59573904930419]
  ステレオ内視鏡ビデオから軟組織を再構成することは、多くの医療応用にとって必須の前提条件である。 従来の手法では、3Dシーンの表現が不十分なため、高品質な幾何学や外観を作り出すのに苦労していた。 本稿では,RGBD配列から変形面を効果的に表現する神経場に基づく新しい手法であるEndoSurfを提案する。
  論文  参考訳（メタデータ） (2023-07-21T02:28:20Z)
• $E(3) \times SO(3)$-Equivariant Networks for Spherical Deconvolution in Diffusion MRI [4.726777092009554]
  本稿では,各ボクセルが球面信号を含むボリュームのスパースデコンボリューションの枠組みを提案する。 この研究は、空間回転、反射、翻訳の対称性に関する同変深層を構成する。
  論文  参考訳（メタデータ） (2023-04-12T18:37:32Z)
• NeuralUDF: Learning Unsigned Distance Fields for Multi-view Reconstruction of Surfaces with Arbitrary Topologies [87.06532943371575]
  本稿では2次元画像からボリュームレンダリングにより任意の位相で表面を再構成する新しい手法であるNeuralUDFを提案する。 本稿では,表面をUDF(Unsigned Distance Function)として表現し,ニューラルUDF表現を学習するための新しいボリュームレンダリング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-25T15:21:45Z)
• Joint Reconstruction and Parcellation of Cortical Surfaces [3.9198548406564604]
  脳MRI画像からの大脳皮質表面の再構成は、アルツハイマー病(AD)のような神経変性疾患における脳形態解析と皮質シンニングの検出に有用である 本研究では,グラフ分類分岐に基づく2つの選択肢と,新しい汎用的な3次元再構成損失に基づく2つの選択肢を提案し,テンプレート・デフォーメーション・アルゴリズムを改良する。 我々はDiceスコア90.2(グラフ分類分岐)と90.4(復元損失90.4)の高精度なパーセレーションと最先端のサーフェスを同時に達成した。
  論文  参考訳（メタデータ） (2022-09-19T11:45:39Z)
• Vox2Cortex: Fast Explicit Reconstruction of Cortical Surfaces from 3D MRI Scans with Geometric Deep Neural Networks [3.364554138758565]
  深層学習に基づくアルゴリズムであるVox2Cortexを提案する。 我々は3つの脳MRIデータセットの広範な実験で、我々のメッシュは現場の最先端の方法で再構築されたものと同じくらい正確であることを示した。
  論文  参考訳（メタデータ） (2022-03-17T17:06:00Z)
• NeuS: Learning Neural Implicit Surfaces by Volume Rendering for Multi-view Reconstruction [88.02850205432763]
  物体やシーンを2次元画像入力から高忠実度に再構成するニュートラルサーフェス(NeuS)を提案する。 DVRやIDRのような既存の神経表面再構成アプローチでは、フォアグラウンドマスクを監督する必要がある。 本研究では,従来のボリュームレンダリング手法が表面再構成に固有の幾何学的誤差を引き起こすことを観察する。 マスクの監督なしでもより正確な表面再構成を実現するため,第一次近似ではバイアスのない新しい定式化を提案する。
  論文  参考訳（メタデータ） (2021-06-20T12:59:42Z)
• DeepCSR: A 3D Deep Learning Approach for Cortical Surface Reconstruction [20.977071784183256]
  DeepCSRは、MRIから皮質表面を再構築するための3Dディープラーニングフレームワークである。 高分解能で皮質表面を効率的に再構築し、皮質の折り畳みの細部を捉える。 DeepCSRは、広く使われているFreeSurferツールボックスやディープラーニング駆動のFastSurferよりも正確で、より正確で、高速である。
  論文  参考訳（メタデータ） (2020-10-22T03:57:44Z)

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。