論文の概要: DeepMesh: Mesh-based Cardiac Motion Tracking using Deep Learning
- arxiv url: http://arxiv.org/abs/2309.14306v1
- Date: Mon, 25 Sep 2023 17:24:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-26 14:29:14.820342
- Title: DeepMesh: Mesh-based Cardiac Motion Tracking using Deep Learning
- Title（参考訳）: DeepMesh:ディープラーニングを用いたメッシュベースの心臓運動追跡
- Authors: Qingjie Meng and Wenjia Bai and Declan P O'Regan and and Daniel
Rueckert
- Abstract要約: 心臓機能評価と心血管疾患の診断には,CMR画像からの3次元運動推定が重要である。
本研究では,心内膜および心内膜からなる3次元メッシュとして心臓をモデル化する。
本稿では,テンプレート型心臓メッシュを対象空間に伝播させる新しい学習フレームワークDeepMeshを提案し,各被験者のCMR画像から心臓メッシュの3次元運動を推定する。
- 参考スコア（独自算出の注目度）: 13.289561121562057
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D motion estimation from cine cardiac magnetic resonance (CMR) images is
important for the assessment of cardiac function and the diagnosis of
cardiovascular diseases. Current state-of-the art methods focus on estimating
dense pixel-/voxel-wise motion fields in image space, which ignores the fact
that motion estimation is only relevant and useful within the anatomical
objects of interest, e.g., the heart. In this work, we model the heart as a 3D
mesh consisting of epi- and endocardial surfaces. We propose a novel learning
framework, DeepMesh, which propagates a template heart mesh to a subject space
and estimates the 3D motion of the heart mesh from CMR images for individual
subjects. In DeepMesh, the heart mesh of the end-diastolic frame of an
individual subject is first reconstructed from the template mesh. Mesh-based 3D
motion fields with respect to the end-diastolic frame are then estimated from
2D short- and long-axis CMR images. By developing a differentiable
mesh-to-image rasterizer, DeepMesh is able to leverage 2D shape information
from multiple anatomical views for 3D mesh reconstruction and mesh motion
estimation. The proposed method estimates vertex-wise displacement and thus
maintains vertex correspondences between time frames, which is important for
the quantitative assessment of cardiac function across different subjects and
populations. We evaluate DeepMesh on CMR images acquired from the UK Biobank.
We focus on 3D motion estimation of the left ventricle in this work.
Experimental results show that the proposed method quantitatively and
qualitatively outperforms other image-based and mesh-based cardiac motion
tracking methods.
- Abstract（参考訳）: cine heart magnetic resonance (cmr) 画像からの3次元運動推定は心機能評価および心血管疾患の診断に重要である。
現在のアート手法では、画像空間におけるピクセル/ボクセル方向の密集した動き場の推定に焦点をあてており、動きの推定は、例えば心臓のような、興味のある解剖学的対象においてのみ適切で有用であるという事実を無視している。
本研究では,心臓を心内膜と心内膜からなる3次元メッシュとしてモデル化する。
本稿では,テンプレート型心臓メッシュを対象空間に伝播させる新しい学習フレームワークDeepMeshを提案し,各被験者のCMR画像から心臓メッシュの3次元運動を推定する。
DeepMeshでは、個々の被験者の末期拡張フレームの心臓メッシュがテンプレートメッシュから最初に再構築される。
次に、2次元短軸cmr画像から、エンドダイアストリックフレームに対するメッシュベースの3次元動き場を推定する。
異なるメッシュ・ツー・イメージラスタライザを開発することで、DeepMeshは複数の解剖学的ビューから2次元形状情報を活用して、3Dメッシュ再構成とメッシュの動き推定を行うことができる。
提案手法は, 頂点方向の変位を推定し, 時間フレーム間の頂点対応を維持できるため, 異なる被験者と集団の心機能の定量的評価に重要である。
英国バイオバンクから取得したcmr画像からdeepmeshを評価する。
本研究では左室の3次元運動推定に焦点をあてる。
実験の結果,提案手法は他の画像ベースおよびメッシュベースの心運動追跡法よりも定量的かつ定性的に優れることがわかった。
関連論文リスト
- Explicit Differentiable Slicing and Global Deformation for Cardiac Mesh Reconstruction [8.730291904586656]
医用画像からの心臓解剖のメッシュ再構築は, 形状, 運動計測, 生体物理シミュレーションに有用である。
従来のボクセルベースのアプローチは、イメージの忠実さを損なう前処理と後処理に依存している。
そこで本稿では,メッシュのスライスからメッシュへの勾配バックプロパゲーションを可能にする,新しい識別可能なボキセル化とスライシング(DVS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-03T17:19:31Z) - CardioSpectrum: Comprehensive Myocardium Motion Analysis with 3D Deep Learning and Geometric Insights [6.415915756409993]
従来のニューラルネットワークは微妙な接尾辞の動きを予測するのが難しい。
この問題に対処するための包括的アプローチを提案する。
私たちの3Dディープラーニングアーキテクチャは、ARFlowモデルに基づいて、複雑な3Dモーション分析タスクに最適化されています。
論文 参考訳（メタデータ） (2024-07-04T09:57:44Z) - MinD-3D: Reconstruct High-quality 3D objects in Human Brain [50.534007259536715]
Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3次元視覚を再構成するための革新的なタスクである。
このデータセットは14人の参加者のデータを含み、3Dオブジェクトの360度ビデオが特徴である。
我々は,脳の3次元視覚情報をfMRI信号から復号化するための,新規で効果的な3段階フレームワークMinD-3Dを提案する。
論文 参考訳（メタデータ） (2023-12-12T18:21:36Z) - Unsupervised 3D Pose Estimation with Non-Rigid Structure-from-Motion
Modeling [83.76377808476039]
本研究では,人間のポーズの変形をモデル化し,それに伴う拡散に基づく動きを事前に設計する手法を提案する。
動作中の3次元人間の骨格を復元する作業は3次元基準骨格の推定に分割する。
混合時空間NASfMformerを用いて、各フレームの3次元基準骨格と骨格変形を2次元観測シーケンスから同時に推定する。
論文 参考訳（メタデータ） (2023-08-18T16:41:57Z) - Zolly: Zoom Focal Length Correctly for Perspective-Distorted Human Mesh
Reconstruction [66.10717041384625]
Zollyは、視点歪みの画像に焦点を当てた最初の3DHMR法である。
人体の2次元密度ゆらぎスケールを記述した新しいカメラモデルと新しい2次元歪み画像を提案する。
このタスク用に調整された2つの現実世界のデータセットを拡張します。
論文 参考訳（メタデータ） (2023-03-24T04:22:41Z) - Mesh-based 3D Motion Tracking in Cardiac MRI using Deep Learning [11.177851736773823]
心臓機能評価と心血管疾患の診断には, 心臓磁気共鳴(CMR)画像からの3次元運動推定が重要である。
従来の手法のほとんどは、フルイメージ空間における画素/ボクセルの運動場の推定に重点を置いていた。
本研究では、心臓を3次元幾何メッシュとしてモデル化し、2次元短軸CMR画像から心臓メッシュの3次元運動を推定できる新しいディープラーニングベースの手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T15:10:27Z) - MulViMotion: Shape-aware 3D Myocardial Motion Tracking from Multi-View
Cardiac MRI [11.685829837689404]
心臓の連続した3次元運動場を学習するためのマルチビューモーション推定ネットワーク(MulViMotion)を提案する。
左室心筋の3次元運動追跡のための英国バイオバンク研究の580名の被験者から得られた2D cine CMR画像に対する提案手法を広範に評価した。
論文 参考訳（メタデータ） (2022-07-29T18:29:52Z) - KAMA: 3D Keypoint Aware Body Mesh Articulation [79.04090630502782]
本稿では,パラメトリックなボディーモデルSMPLを簡単な幾何学的変換によって記述する解析解を提案する。
今回のアプローチは,最先端のアプローチと比較して,画像コンテンツのアライメントが大幅に向上する。
挑戦的な3DPWおよびHuman3.6Mの結果は私達のアプローチが最先端のボディ網付属品をもたらすことを示します。
論文 参考訳（メタデータ） (2021-04-27T23:01:03Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - PC-U Net: Learning to Jointly Reconstruct and Segment the Cardiac Walls
in 3D from CT Data [18.941064150226236]
2次元CTスライスから直接LV MYO壁の点雲を直接再構成するPC-Uネットを提案する。
提案したPC-Uネットの協調学習フレームワークは,自動心画像解析タスクに有用である。
論文 参考訳（メタデータ） (2020-08-18T23:37:05Z) - HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose
and Shape Estimation [60.35776484235304]
本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。
HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。
Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
論文 参考訳（メタデータ） (2020-03-10T04:03:45Z)
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。