論文の概要: Point2SSM: Learning Morphological Variations of Anatomies from Point Cloud

• arxiv url: http://arxiv.org/abs/2305.14486v1
• Date: Tue, 23 May 2023 19:36:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 23:46:54.909804
• Title: Point2SSM: Learning Morphological Variations of Anatomies from Point Cloud
• Title（参考訳）: ポイント2SSM:ポイントクラウドから解剖学を学習する
• Authors: Jadie Adams and Shireen Elhabian
• Abstract要約: 本稿では,新しい教師なし学習手法であるPoint2SSMを紹介する。 SSMは、骨や臓器の集団レベルの形態変化を分析するために臨床研究において重要である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce Point2SSM, a novel unsupervised learning approach that can accurately construct correspondence-based statistical shape models (SSMs) of anatomy directly from point clouds. SSMs are crucial in clinical research for analyzing the population-level morphological variation in bones and organs. However, traditional methods for creating SSMs have limitations that hinder their widespread adoption, such as the need for noise-free surface meshes or binary volumes, reliance on assumptions or predefined templates, and simultaneous optimization of the entire cohort leading to lengthy inference times given new data. Point2SSM overcomes these barriers by providing a data-driven solution that infers SSMs directly from raw point clouds, reducing inference burdens and increasing applicability as point clouds are more easily acquired. Deep learning on 3D point clouds has seen recent success in unsupervised representation learning, point-to-point matching, and shape correspondence; however, their application to constructing SSMs of anatomies is largely unexplored. In this work, we benchmark state-of-the-art point cloud deep networks on the task of SSM and demonstrate that they are not robust to the challenges of anatomical SSM, such as noisy, sparse, or incomplete input and significantly limited training data. Point2SSM addresses these challenges via an attention-based module that provides correspondence mappings from learned point features. We demonstrate that the proposed method significantly outperforms existing networks in terms of both accurate surface sampling and correspondence, better capturing population-level statistics.
• Abstract（参考訳）: 本研究では,非教師付き学習手法であるpoint2ssmについて紹介する。ポイントクラウドから直接解剖学の対応ベース統計形状モデル(ssm)を構築できる。 SSMは、骨や臓器の集団レベルの形態変化を分析するために臨床研究において重要である。 しかし、ssmを作成する伝統的な方法には、ノイズのない表面メッシュやバイナリボリュームの必要性、仮定や事前定義されたテンプレートへの依存、新しいデータが与えられた場合の推論時間の長くなるコホート全体の同時最適化など、広く採用されるのを妨げる制限がある。 Point2SSMは、生のポイントクラウドから直接SSMを推論するデータ駆動ソリューションを提供することで、これらの障壁を克服する。 3Dポイントクラウドでの深層学習は、教師なし表現学習、ポイント・ツー・ポイントマッチング、形状対応において近年成功している。 本研究では,最先端のクラウド深層ネットワークをssmのタスクでベンチマークし,ノイズやスパース,不完全な入力といった解剖学的ssmの課題に対して頑健ではないことを示し,トレーニングデータを大幅に制限した。 Point2SSMは、学習したポイント機能からの対応マッピングを提供するアテンションベースのモジュールを通じて、これらの課題に対処する。 提案手法は, 正確な表面サンプリングと対応の両面において, 既存のネットワークを著しく上回っており, 人口統計の把握性が向上している。

関連論文リスト

• Point2SSM++: Self-Supervised Learning of Anatomical Shape Models from Point Clouds [4.972323953932128]
  対応型統計形状モデリング(SSM)は臨床研究における形態計測解析の強力な技術である。 Point2SSM++は、解剖学的形状の点雲表現から対応点を学習する、原則化された自己教師型ディープラーニングアプローチである。 本稿では,動的時間的・マルチ解剖的シナリオに適したPoint2SSM++の拡張について述べる。
  論文  参考訳（メタデータ） (2024-05-15T21:13:54Z)
• Weakly Supervised Bayesian Shape Modeling from Unsegmented Medical Images [4.424170214926035]
  対応型統計形状モデリング(SSM)は、人口レベルの形態計測を容易にする。 ディープラーニングの最近の進歩は、推論においてこのプロセスを合理化している。 我々は,ポイントクラウドを用いた画像からSSMを予測するために,弱い教師付きディープラーニングアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-15T20:47:59Z)
• Bidirectional Knowledge Reconfiguration for Lightweight Point Cloud Analysis [74.00441177577295]
  ポイントクラウド分析は計算システムのオーバーヘッドに直面し、モバイルやエッジデバイスでの利用を制限する。 本稿では,軽量点雲モデルのための特徴蒸留について検討する。 本研究では,教師から生徒への情報的文脈的知識を抽出するための双方向知識再構成を提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:32:50Z)
• Can point cloud networks learn statistical shape models of anatomies? [0.0]
  クラウド・エンコーダ・デコーダ・ベース・コンプリート・ネットワークは,統計的形状モデリングにおいて未解決の可能性を秘めていることを示す。 私たちの研究は、SSMのためのポイントクラウド深層学習のさらなる探求の道を開くものです。
  論文  参考訳（メタデータ） (2023-05-09T17:01:17Z)
• Self-Supervised Learning for Point Clouds Data: A Survey [8.858165912687923]
  自己監督学習(SSL)は、時間と労働集約的なデータラベリング問題を解決するための重要なソリューションであると考えられている。 本稿では,ポイントクラウドにおけるSSLの最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2023-05-09T08:47:09Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  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。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Spatiotemporal Self-supervised Learning for Point Clouds in the Wild [65.56679416475943]
  空間領域と時間領域の両方で正のペアを利用するSSL戦略を導入する。 2つの大規模LiDARデータセット上で,自己教師型トレーニングによって実施した広範囲な実験を通じて,このアプローチのメリットを実証する。
  論文  参考訳（メタデータ） (2023-03-28T18:06:22Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• 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)
• SPU-Net: Self-Supervised Point Cloud Upsampling by Coarse-to-Fine Reconstruction with Self-Projection Optimization [52.20602782690776]
  実際のスキャンされたスパースデータからトレーニング用の大規模なペアリングスパーススキャンポイントセットを得るのは高価で面倒です。 本研究では,SPU-Net と呼ばれる自己監視型点群アップサンプリングネットワークを提案する。 本研究では,合成データと実データの両方について様々な実験を行い,最先端の教師付き手法と同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-12-08T14:14:09Z)

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。