論文の概要: S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences
- arxiv url: http://arxiv.org/abs/2304.07515v2
- Date: Mon, 24 Jul 2023 08:10:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 23:11:45.857606
- Title: S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences
- Title(参考訳): s3m: 教師なし対応によるスケーラブルな統計形状モデリング
- Authors: Lennart Bastian, Alexander Baumann, Emily Hoppe, Vincent B\"urgin, Ha
Young Kim, Mahdi Saleh, Benjamin Busam, Nassir Navab
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 91.48841778012782
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical shape models (SSMs) are an established way to represent the
anatomy of a population with various clinically relevant applications. However,
they typically require domain expertise, and labor-intensive landmark
annotations to construct. We address these shortcomings by proposing an
unsupervised method that leverages deep geometric features and functional
correspondences to simultaneously learn local and global shape structures
across population anatomies. Our pipeline significantly improves unsupervised
correspondence estimation for SSMs compared to baseline methods, even on highly
irregular surface topologies. We demonstrate this for two different anatomical
structures: the thyroid and a multi-chamber heart dataset. Furthermore, our
method is robust enough to learn from noisy neural network predictions,
potentially enabling scaling SSMs to larger patient populations without manual
segmentation annotation.
- Abstract(参考訳): 統計的形状モデル (SSM) は、様々な臨床応用の集団の解剖学を表現する確立された方法である。
しかし、通常はドメインの専門知識と労働集約的なランドマークアノテーションが必要です。
深部幾何学的特徴と機能的対応を利用して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非教師付き手法を提案することで,これらの欠点に対処する。
本パイプラインは,高度に不規則な表面トポロジにおいても,ベースライン法と比較してssmsの教師なし対応推定を大幅に改善する。
甲状腺とマルチチャンバー心臓の2つの解剖学的構造について検討した。
さらに,本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習できるほど堅牢であり,手動セグメンテーションアノテーションを使わずにSSMを大規模患者に拡張することができる可能性がある。
関連論文リスト
- On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-01T10:10:46Z) - Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。
肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。
結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
論文 参考訳(メタデータ) (2023-06-27T14:41:18Z) - Point2SSM: Learning Morphological Variations of Anatomies from Point
Cloud [5.874142059884521]
原点雲から直接対応型統計形状モデル(SSM)を構築するための新しい教師なし学習手法であるPoint2SSMを提案する。
SSMは臨床研究において重要であり、骨や臓器の形態的変化の集団レベルでの分析を可能にする。
論文 参考訳(メタデータ) (2023-05-23T19:36:24Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - 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) - 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) - Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。
ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。
我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文 参考訳(メタデータ) (2021-04-07T01:15:06Z) - SAR: Scale-Aware Restoration Learning for 3D Tumor Segmentation [23.384259038420005]
3次元腫瘍分割のためのSAR(Scale-Aware Restoration)を提案する。
新たなプロキシタスク、すなわちスケール差別は、自己回復タスクと組み合わせて3Dニューラルネットワークを事前訓練するために定式化される。
脳腫瘍セグメンテーション(Brain tumor segmentation),すなわち膵腫瘍セグメンテーション(Pancreas tumor segmentation)の2つの課題に対して,本手法の有効性を実証した。
論文 参考訳(メタデータ) (2020-10-13T01:23:17Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳(メタデータ) (2020-09-28T18:30:14Z)
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。