論文の概要: Point2SSM: Learning Morphological Variations of Anatomies from Point
Cloud
- arxiv url: http://arxiv.org/abs/2305.14486v2
- Date: Wed, 24 Jan 2024 20:41:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 18:24:56.107663
- 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: 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。
- 参考スコア(独自算出の注目度): 5.874142059884521
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present Point2SSM, a novel unsupervised learning approach for constructing
correspondence-based statistical shape models (SSMs) directly from raw point
clouds. SSM is crucial in clinical research, enabling population-level analysis
of morphological variation in bones and organs. Traditional methods of SSM
construction have limitations, including the requirement of noise-free surface
meshes or binary volumes, reliance on assumptions or templates, and prolonged
inference times due to simultaneous optimization of the entire cohort.
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. While deep
learning on 3D point clouds has seen success in unsupervised representation
learning and shape correspondence, its application to anatomical SSM
construction is largely unexplored. We conduct a benchmark of state-of-the-art
point cloud deep networks on the SSM task, revealing their limited robustness
to clinical challenges such as noisy, sparse, or incomplete input and limited
training data. Point2SSM addresses these issues through an attention-based
module, providing effective correspondence mappings from learned point
features. Our results demonstrate that the proposed method significantly
outperforms existing networks in terms of accurate surface sampling and
correspondence, better capturing population-level statistics.
- Abstract(参考訳): 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。
従来のssm構築法には、ノイズのない表面メッシュやバイナリボリュームの要求、仮定やテンプレートへの依存、コホート全体の同時最適化による推論時間の延長など、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。
3次元点雲の深層学習は教師なしの表現学習と形状対応に成功しているが、解剖学的SSM構築への応用はほとんど未解明である。
我々は、SSMタスク上で最先端のクラウドディープネットワークのベンチマークを行い、ノイズやスパース、不完全な入力や限られたトレーニングデータといった臨床上の課題に対する堅牢性に限界があることを明らかにする。
Point2SSMはアテンションベースのモジュールを通じてこれらの問題に対処し、学習ポイントの特徴から効果的な対応マッピングを提供する。
以上の結果から, 提案手法は, 正確な表面サンプリングと対応により, 既存のネットワークよりも優れており, 人口統計学の精度が向上していることが示された。
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。