論文の概要: Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI
- arxiv url: http://arxiv.org/abs/2311.13706v2
- Date: Tue, 13 Aug 2024 19:18:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-15 18:26:43.790011
- Title: Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI
- Title（参考訳）: 心血管MRIにおけるボリューム・ツー・メッシュ再構成のためのマルチビューハイブリッドグラフ畳み込みネットワーク
- Authors: Nicolás Gaggion, Benjamin A. Matheson, Yan Xia, Rodrigo Bonazzola, Nishant Ravikumar, Zeike A. Taylor, Diego H. Milone, Alejandro F. Frangi, Enzo Ferrante,
- Abstract要約: 画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。
グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。
我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
- 参考スコア（独自算出の注目度）: 43.47826598981827
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Cardiovascular magnetic resonance imaging is emerging as a crucial tool to examine cardiac morphology and function. Essential to this endeavour are anatomical 3D surface and volumetric meshes derived from CMR images, which facilitate computational anatomy studies, biomarker discovery, and in-silico simulations. However, conventional surface mesh generation methods, such as active shape models and multi-atlas segmentation, are highly time-consuming and require complex processing pipelines to generate simulation-ready 3D meshes. In response, we introduce HybridVNet, a novel architecture for direct image-to-mesh extraction seamlessly integrating standard convolutional neural networks with graph convolutions, which we prove can efficiently handle surface and volumetric meshes by encoding them as graph structures. To further enhance accuracy, we propose a multiview HybridVNet architecture which processes both long axis and short axis CMR, showing that it can increase the performance of cardiac MR mesh generation. Our model combines traditional convolutional networks with variational graph generative models, deep supervision and mesh-specific regularisation. Experiments on a comprehensive dataset from the UK Biobank confirm the potential of HybridVNet to significantly advance cardiac imaging and computational cardiology by efficiently generating high-fidelity and simulation ready meshes from CMR images.
- Abstract（参考訳）: 心臓形態と機能を調べる重要なツールとして、心臓血管MRIが登場している。
この取り組みの本質は、CMR画像から派生した解剖学的3次元表面と体積メッシュであり、計算解剖学研究、バイオマーカー発見、シリコン内シミュレーションを促進する。
しかし、アクティブ形状モデルやマルチアトラスセグメンテーションのような従来の表面メッシュ生成手法は、シミュレーション可能な3Dメッシュを生成するために複雑な処理パイプラインを必要とする。
これに対し、HybridVNetは、標準的な畳み込みニューラルネットワークをグラフ畳み込みとシームレスに統合する、直接画像合成のための新しいアーキテクチャである。
さらに精度を高めるために,長軸CMRと短軸CMRの両方を処理するマルチビューハイブリッドVNetアーキテクチャを提案する。
我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
イギリスバイオバンクによる包括的データセットの実験では、CMR画像から高忠実度とシミュレーション可能なメッシュを効率的に生成することにより、HybridVNetが心臓画像と計算心臓学を大幅に進歩させる可能性を確認している。
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) - Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。
プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-08-11T15:46:00Z) - Graph Image Prior for Unsupervised Dynamic Cardiac Cine MRI Reconstruction [10.330083869344445]
グラフ画像優先(GIP)と呼ばれる動的MRI表現のための新しい手法を提案する。
GIPは2段階生成ネットワークを新しいモデリング手法に採用し、まず独立したCNNを用いて各フレームのイメージ構造を復元する。
グラフ畳み込みネットワークは特徴融合と画像生成に利用される。
論文 参考訳（メタデータ） (2024-03-23T08:57:46Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Learning Whole Heart Mesh Generation From Patient Images For
Computational Simulations [2.2496714271898166]
本稿では,医療画像から心臓のシミュレーションに適したモデルを構築するための,高速かつ自動化されたディープラーニング手法を提案する。
このアプローチは、心臓テンプレート全体の小さな変形ハンドルを変形させることを学ぶことで、3D画像からメッシュを構築する。
論文 参考訳（メタデータ） (2022-03-20T10:19:05Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction [1.8047694351309207]
本研究では,ボリュームCTとMR画像データから心表面メッシュ全体を直接予測する深層学習に基づく新しい手法を提案する。
本手法は,高分解能,高品質の全心臓再建を実現できる有望な性能を示した。
論文 参考訳（メタデータ） (2021-02-16T00:39:43Z) - 4D Semantic Cardiac Magnetic Resonance Image Synthesis on XCAT
Anatomical Model [0.7959841510571622]
心臓磁気共鳴画像(CMR)を3D+tラベルで合成するハイブリッド制御可能な画像生成法を提案する。
本手法は, 解剖学的根拠として, メカニスティック4D eXtended CArdiac Torso (XCAT) 心モデルを用いている。
本研究では、条件付き画像合成にSPADE(State-of-the-the-the-art SPatially Adaptive De-normalization)技術を用いる。
論文 参考訳（メタデータ） (2020-02-17T17:25:07Z)
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。