論文の概要: Implicit Shape Modeling for Anatomical Structure Refinement of
Volumetric Medical Images
- arxiv url: http://arxiv.org/abs/2312.06164v2
- Date: Sat, 6 Jan 2024 13:35:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 22:14:15.394568
- 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, Guang-Zhong Yang, Yun Gu
- Abstract要約: 暗黙的ニューラルネットワークに基づく3次元形状モデリングとセグメンテーション改善のための統一的なフレームワークを提案する。
形状表現の改善には、インスタンスと潜在テンプレートの両方に暗黙の形状制約が使用される。
肝,膵,肺セグメンテーションを含むバリデーションデータセットの実験は,我々のアプローチの優位性を示している。
- 参考スコア（独自算出の注目度）: 29.894934602946567
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shape modeling of volumetric data is essential for medical image analysis and
computer-aided intervention. In practice, automated shape reconstruction cannot
always achieve satisfactory results due to limited image resolution and a lack
of sufficiently detailed shape priors used as constraints. In this paper, a
unified framework is proposed for 3D shape modelling and segmentation
refinement based on implicit neural networks. To learn a sharable shape prior
from different instances within the same category during training, physical
details of volumetric data are firstly used to construct Physical-Informed
Continuous Coordinate Transform (PICCT) for implicit shape modeling. For
improved shape representation, implicit shape constraints based on Signed
Distance Function (SDF) are used for both instances and latent templates. For
inference, a Template Interaction Module (TIM) is proposed to refine 3D shapes
produced by Convolutional Neural Networks (CNNs) via deforming deep implicit
templates with latent codes. Experimental results on validation datasets
involving liver, pancreas and lung segmentation demonstrate the superiority of
our approach in shape refinement and reconstruction. The Chamfer Distance/Earth
Mover's Distance achieved by the proposed method are 0.232/0.087 for the Liver
dataset, 0.128/0.069 for the Pancreas dataset, and 0.417/0.100 for the Lung
Lobe dataset, respectively.
- Abstract（参考訳）: 容積データの形状モデリングは医用画像解析とコンピュータ支援介入に不可欠である。
実際には、画像解像度の制限や、制約として使用する十分な詳細な形状事前の欠如により、自動形状再構成が常に満足できる結果を達成することはできない。
本稿では,暗黙的ニューラルネットワークに基づく3次元形状モデリングとセグメンテーション改良のための統一フレームワークを提案する。
トレーニング中に同じカテゴリ内の異なるインスタンスから予め共有可能な形状を学習するために、暗黙的な形状モデリングのための物理情報変換(PICCT)を構築するために、まずボリュームデータの物理的詳細を使用する。
形状表現の改善のために、署名距離関数(SDF)に基づく暗黙的な形状制約がインスタンスと潜在テンプレートの両方に使用される。
推論のために、Convolutional Neural Networks (CNN) が生成する3次元形状を、遅延コードによる深い暗黙的テンプレートによって洗練するために、テンプレートインタラクションモジュール(TIM)を提案する。
肝,膵,肺セグメンテーションを含むバリデーションデータセットの実験結果は,形状改善と再建におけるアプローチの優位性を示している。
提案法で得られたシャマー距離/アースムーバー距離は,肝臓データセットでは0.232/0.087,膵臓データセットでは0.128/0.069,肺葉データセットでは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。