論文の概要: Particle-Based Shape Modeling for Arbitrary Regions-of-Interest
- arxiv url: http://arxiv.org/abs/2401.00067v1
- Date: Fri, 29 Dec 2023 20:24:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 19:05:23.821872
- Title: Particle-Based Shape Modeling for Arbitrary Regions-of-Interest
- Title（参考訳）: 任意領域における粒子形状モデリング
- Authors: Hong Xu, Alan Morris, Shireen Y. Elhabian
- Abstract要約: 本稿では, 任意の領域に形状モデリングを適用できるように, 広く使われているSSMフレームワークであるPSMの拡張を提案する。
これらの欠点に対処するために、メッシュフィールドを使用して自由形式の制約を定義し、任意の領域の関心を形状面に分割することができる。
本手法の有効性を,難易度の高い合成データセットと2つの医用データセットに示す。
- 参考スコア（独自算出の注目度）: 3.743399165184124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical Shape Modeling (SSM) is a quantitative method for analyzing
morphological variations in anatomical structures. These analyses often
necessitate building models on targeted anatomical regions of interest to focus
on specific morphological features. We propose an extension to \particle-based
shape modeling (PSM), a widely used SSM framework, to allow shape modeling to
arbitrary regions of interest. Existing methods to define regions of interest
are computationally expensive and have topological limitations. To address
these shortcomings, we use mesh fields to define free-form constraints, which
allow for delimiting arbitrary regions of interest on shape surfaces.
Furthermore, we add a quadratic penalty method to the model optimization to
enable computationally efficient enforcement of any combination of
cutting-plane and free-form constraints. We demonstrate the effectiveness of
this method on a challenging synthetic dataset and two medical datasets.
- Abstract（参考訳）: 統計的形状モデリング (SSM) は解剖学的構造の形態変化を定量的に解析する手法である。
これらの分析は、特定の形態学的特徴に焦点を当てるために、対象の解剖学的領域の建築モデルを必要とすることが多い。
任意の領域の形状モデリングを可能にするために,広く使用されているssmフレームワークである \particle-based shape modeling (psm) の拡張を提案する。
興味のある領域を定義する既存の方法は計算コストが高く、トポロジカルな制限がある。
これらの欠点に対処するために、メッシュフィールドを使用して自由形式の制約を定義し、任意の領域の関心を形状面に分割することができる。
さらに,モデル最適化に二次ペナルティ法を付加することにより,切削面と自由形式の制約の組み合わせを計算効率良く実行できるようにする。
本手法の有効性を,難解な合成データセットと2つの医学データセットに示す。
関連論文リスト
- Mesh2SSM++: A Probabilistic Framework for Unsupervised Learning of Statistical Shape Model of Anatomies from Surface Meshes [0.0]
Mesh2SSM++は、教師なしの方法でメッシュから対応を推定する、新しいアプローチである。
メッシュ上で直接操作する能力と計算効率と解釈可能性を組み合わせることで、従来のディープラーニングベースのSSMアプローチに代わる魅力的な選択肢となる。
論文 参考訳（メタデータ） (2025-02-11T00:19:23Z) - Optimization-Driven Statistical Models of Anatomies using Radial Basis Function Shape Representation [3.743399165184124]
粒子に基づく形状モデリングは、解剖学の個体群における形状変数の定量化に一般的な手法である。
本稿では,従来の最適化手法を用いて,モデルの特徴をより正確に制御する手法を提案する。
本研究では,2つの実データに対する最先端手法の有効性を実証し,損失選択を実証的に正当化する。
論文 参考訳（メタデータ） (2024-11-24T15:43:01Z) - Shape Arithmetic Expressions: Advancing Scientific Discovery Beyond Closed-Form Equations [56.78271181959529]
GAM(Generalized Additive Models)は、変数とターゲットの間の非線形関係をキャプチャできるが、複雑な特徴相互作用をキャプチャすることはできない。
本稿では,GAMのフレキシブルな形状関数と,数学的表現に見られる複雑な特徴相互作用を融合させる形状表現算術(SHARE)を提案する。
また、標準制約を超えた表現の透明性を保証するSHAREを構築するための一連のルールを設計する。
論文 参考訳（メタデータ） (2024-04-15T13:44:01Z) - ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。
これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。
テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
論文 参考訳（メタデータ） (2023-12-11T07:09:32Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - 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) - Spatiotemporal Cardiac Statistical Shape Modeling: A Data-Driven
Approach [0.0]
粒子ベース形状モデリング(PSM)は、個体群レベルの形状変化を捉えたデータ駆動型手法である。
本稿では,PSM法にインスパイアされたデータ駆動型手法を提案する。
論文 参考訳（メタデータ） (2022-09-06T18:00:45Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Dynamic multi feature-class Gaussian process models [0.0]
本研究では, 医用画像における形状, ポーズ, 強度特徴の自動学習のための統計的モデリング手法を提案する。
DMFC-GPM (DMFC-GPM) はガウス過程(GP)に基づくモデルであり、線形および非線形の変動を符号化する潜在空間を共有する。
モデル性能の結果は、この新しいモデリングパラダイムが堅牢で、正確で、アクセス可能であり、潜在的な応用があることを示唆している。
論文 参考訳（メタデータ） (2021-12-08T15:12:47Z) - tFold-TR: Combining Deep Learning Enhanced Hybrid Potential Energy for
Template-Based Modelling Structure Refinement [53.98034511648985]
現在のテンプレートベースのモデリングアプローチは2つの重要な問題に苦しんでいる。
テンプレートの異なる領域からの距離対の精度は様々であり、この情報はモデリングにはあまり導入されていない。
2つのニューラルネットワークモデルは、欠落した領域の距離情報と、テンプレートモデリング構造における異なる領域の距離ペアの精度を予測する。
論文 参考訳（メタデータ） (2021-05-10T13:32:12Z)
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。