論文の概要: Implicit Shape Modeling for Anatomical Structure Refinement of Volumetric Medical Images

• arxiv url: http://arxiv.org/abs/2312.06164v1
• Date: Mon, 11 Dec 2023 07:09:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 16:41:14.770622
• Title: Implicit Shape Modeling for Anatomical Structure Refinement of Volumetric Medical Images
• Title（参考訳）: 体積医用画像の解剖学的構造改善のための暗黙的形状モデリング
• Authors: Minghui Zhang, Hanxiao Zhang, Xin You, Yun Gu
• Abstract要約: 本稿では,暗黙的ニューラルネットワーク上での医用画像セグメンテーションの洗練のための統一的な枠組みを提案する。 署名された距離関数(SDF)の上に暗黙的な形状制約を導入する。 3つのデータセットによる実験結果から,形状改善におけるアプローチの優位性が確認された。
• 参考スコア（独自算出の注目度）: 13.203423624593524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shape modeling of volumetric medical images is a critical task for quantitative analysis and surgical plans in computer-aided diagnosis. To relieve the burden of expert clinicians, the reconstructed shapes are widely acquired from deep learning models, e.g. Convolutional Neural Networks (CNNs), followed by marching cube algorithm. However, automatically obtaining reconstructed shapes can not always achieve perfect results due to the limited resolution of images and lack of shape prior constraints. In this paper, we design a unified framework for the refinement of medical image segmentation on top of an implicit neural network. Specifically, To learn a sharable shape prior from different instances within the same category in the training phase, the physical information of volumetric medical images are firstly utilized to construct the Physical-Informed Continuous Coordinate Transform (PICCT). PICCT transforms the input data in an aligned manner fed into the implicit shape modeling. To better learn shape representation, we introduce implicit shape constraints on top of the signed distance function (SDF) into the implicit shape modeling of both instances and latent template. For the inference phase, a template interaction module (TIM) is proposed to refine initial results produced by CNNs via deforming deep implicit templates with latent codes. Experimental results on three datasets demonstrated the superiority of our approach in shape refinement. The Chamfer Distance/Earth Mover's Distance achieved by the proposed method are 0.232/0.087 on the Liver dataset, 0.128/0.069 on the Pancreas dataset, and 0.417/0.100 on the Lung Lobe dataset.
• Abstract（参考訳）: 量的医用画像の形状モデリングは, コンピュータ支援診断における定量的解析と手術計画に欠かせない課題である。 専門医の負担を軽減するため、再構成された形状は、例えば畳み込みニューラルネットワーク(CNN)などのディープラーニングモデルから広く取得され、次にマーチングキューブアルゴリズムが続く。 しかし、画像の解像度の制限や事前の制約の欠如により、再構成された形状の自動取得が必ずしも完璧ではない。 本稿では,暗黙的ニューラルネットワーク上での医用画像のセグメンテーションの洗練のための統一的な枠組みを設計する。 具体的には、訓練段階で同じカテゴリの異なるインスタンスに先立ってシェーラブルな形状を学習するために、体積医用画像の物理情報を最初に活用して、物理的に変形した連続座標変換(picct)を構築する。 PICCTは、入力データをアライメント状に変換し、暗黙の形状モデリングを行う。 形状表現をよりよく学ぶために,符号付き距離関数(sdf)の上に暗黙的形状制約を,インスタンスと潜在テンプレートの両方の暗黙的形状モデリングに導入する。 推論フェーズでは、テンプレート対話モジュール(TIM)が提案され、遅延コードで暗黙的テンプレートを変形することでCNNが生成した初期結果を洗練する。 3つのデータセットによる実験結果から,形状改善におけるアプローチの優位性が確認された。 提案手法により得られたチャンファー距離/アースマーバー距離は、Liverデータセットで0.232/0.087、Pancreasデータセットで0.128/0.069、Lung Lobeデータセットで0.417/0.100である。

関連論文リスト

• Deep Medial Voxels: Learned Medial Axis Approximations for Anatomical Shape Modeling [5.584193645582203]
  画像量からトポロジカルな骨格を忠実に近似する半単純表現であるディープ・メディアル・ボクセルを導入する。 再現技術は,可視化と計算機シミュレーションの両方の可能性を示している。
  論文  参考訳（メタデータ） (2024-03-18T13:47:18Z)
• An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation [45.820901263103806]
  In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築 本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。 提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
  論文  参考訳（メタデータ） (2024-03-10T21:33:53Z)
• Mesh2SSM: From Surface Meshes to Statistical Shape Models of Anatomy [0.0]
  我々は、教師なしの置換不変表現学習を利用して、テンプレートポイントクラウドを主題固有のメッシュに変形する方法を推定する新しいアプローチであるMesh2SSMを提案する。 Mesh2SSMは集団固有のテンプレートも学習でき、テンプレート選択によるバイアスを低減できる。
  論文  参考訳（メタデータ） (2023-05-13T00:03:59Z)
• A Generative Shape Compositional Framework to Synthesise Populations of Virtual Chimaeras [52.33206865588584]
  複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。 心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。 提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
  論文  参考訳（メタデータ） (2022-10-04T13:36:52Z)
• Neural Template: Topology-aware Reconstruction and Disentangled Generation of 3D Meshes [52.038346313823524]
  本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。 提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-06-10T08:32:57Z)
• Topology-Preserving Shape Reconstruction and Registration via Neural Diffeomorphic Flow [22.1959666473906]
  Deep Implicit Function (DIF) は、ディープニューラルネットワークを通して学習された連続符号付き距離関数を持つ3次元幾何学を表す。 深い暗黙的形状テンプレートを学習するためのニューラル拡散型流れ(NDF)と呼ばれる新しいモデルを提案する。 NDFは、常に最先端の臓器形状の再構築と、精度と品質の両面での登録結果を達成する。
  論文  参考訳（メタデータ） (2022-03-16T14:39:11Z)
• Deep Implicit Templates for 3D Shape Representation [70.9789507686618]
  深い暗黙表現における明示的な対応推論を支援する新しい3次元形状表現を提案する。 我々のキーとなる考え方は、テンプレートの暗黙関数の条件変形としてDIFを定式化することである。 提案手法は,形状の集合に対する一般的な暗黙テンプレートを学習するだけでなく,すべての形状を相互に同時に対応させることも可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-30T06:01:49Z)
• Discriminative and Generative Models for Anatomical Shape Analysison Point Clouds with Deep Neural Networks [3.7814216736076434]
  与えられたタスクから低次元の形状表現を学習する解剖学的形状の解析のためのディープニューラルネットワークを導入する。 我々のフレームワークはモジュール構造であり、基本的な形状処理タスクを実行するいくつかの計算ブロックで構成されています。 本稿では, 疾患分類と年齢回帰の判別モデルと, 形状復元のための生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-02T07:37:40Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。