論文の概要: Second Order Kinematic Surface Fitting in Anatomical Structures
- arxiv url: http://arxiv.org/abs/2401.16035v1
- Date: Mon, 29 Jan 2024 10:36:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 15:17:30.674314
- Title: Second Order Kinematic Surface Fitting in Anatomical Structures
- Title（参考訳）: 解剖学的構造における2次キネマティックサーフェスフィッティング
- Authors: Wilhelm Wimmer, Herv\'e Delingette
- Abstract要約: キネマティックサーフェスフィッティングにおける2次速度場を利用した革新的なアプローチを提案する。
この進歩は、より高い回転形状の複雑さを許容し、解剖学的構造における対称性検出の精度を向上させる。
本手法は, 曲線回転対称性(コア線)の検出を可能にするだけでなく, 曲率やねじれに関連する内在的な形状パラメータを導出することで, 形態的分類を容易にする。
- 参考スコア（独自算出の注目度）: 0.43512163406551996
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symmetry detection and morphological classification of anatomical structures
play pivotal roles in medical image analysis. The application of kinematic
surface fitting, a method for characterizing shapes through parametric
stationary velocity fields, has shown promising results in computer vision and
computer-aided design. However, existing research has predominantly focused on
first order rotational velocity fields, which may not adequately capture the
intricate curved and twisted nature of anatomical structures. To address this
limitation, we propose an innovative approach utilizing a second order velocity
field for kinematic surface fitting. This advancement accommodates higher
rotational shape complexity and improves the accuracy of symmetry detection in
anatomical structures. We introduce a robust fitting technique and validate its
performance through testing on synthetic shapes and real anatomical structures.
Our method not only enables the detection of curved rotational symmetries (core
lines) but also facilitates morphological classification by deriving intrinsic
shape parameters related to curvature and torsion. We illustrate the usefulness
of our technique by categorizing the shape of human cochleae in terms of the
intrinsic velocity field parameters. The results showcase the potential of our
method as a valuable tool for medical image analysis, contributing to the
assessment of complex anatomical shapes.
- Abstract（参考訳）: 解剖学的構造の対称性の検出と形態分類は、医用画像解析において重要な役割を果たす。
パラメトリック定常速度場による形状のキャラクタリゼーション手法であるキネマティックサーフェスフィッティングの適用は、コンピュータビジョンとコンピュータ支援設計において有望な結果を示している。
しかし、既存の研究は主に一階の回転速度場に焦点を当てており、解剖学的構造の複雑な曲がりくねった性質を十分に捉えていない可能性がある。
この制限に対処するため,キネマティックサーフェスフィッティングのための2次速度場を用いた革新的なアプローチを提案する。
この進歩は、より高い回転形状の複雑さを許容し、解剖学的構造における対称性検出の精度を向上させる。
合成形状と実際の解剖学的構造をテストすることにより,ロバストなフィッティング手法を導入し,その性能を検証する。
本手法は, 回転対称性(コア線)の検出を可能にするだけでなく, 曲率やねじれに関連する固有形状パラメータを導出することにより形態分類を容易にする。
本手法は, 内在的速度場パラメータを用いて人工内耳の形状を分類し, 有用性を示す。
その結果, 医用画像解析に有用なツールとしての有用性を示し, 複雑な解剖学的形状の評価に寄与した。
関連論文リスト
- Fast Medical Shape Reconstruction via Meta-learned Implicit Neural Representations [5.213304732451705]
検索と処理時間の最小化は、重要なシナリオにおける迅速な応答と意思決定を促進する可能性がある。
近年の手法は暗黙的神経機能を利用して医療形状再構築の課題を解決しようとするものである。
論文 参考訳（メタデータ） (2024-09-11T08:44:10Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - 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) - Symmetry-Informed Geometric Representation for Molecules, Proteins, and
Crystalline Materials [66.14337835284628]
幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。
Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
論文 参考訳（メタデータ） (2023-06-15T05:37:25Z) - Region-based Contrastive Pretraining for Medical Image Retrieval with
Anatomic Query [56.54255735943497]
医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR)
医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
論文 参考訳（メタデータ） (2023-05-09T16:46:33Z) - An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。
まず,表面データに摂動に基づくアプローチを適用した。
我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文 参考訳（メタデータ） (2022-03-15T23:16:49Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - Anatomical Landmarks Localization for 3D Foot Point Clouds [3.1918817988202606]
本稿では3次元解剖学的ランドマーク予測のための変形法を提案する。
臨床医によって注釈付けされた解剖学的ランドマークを持つソースモデルを使用し、ターゲットモデルにマッチするように、このモデルを厳格に変形させる。
データセット上で実験を行い,本手法のロバスト性を実証した。
論文 参考訳（メタデータ） (2021-10-03T06:24:40Z) - Learning Deep Features for Shape Correspondence with Domain Invariance [10.230933226423984]
対応に基づく形状モデルは、解剖学の統計解析に依存する様々な医学的イメージング応用の鍵となる。
本論文では, 深層畳み込みニューラルネットワークを用いて, 形状アンサンブルから対応しやすい特徴を抽出する, 自動機能学習手法を提案する。
論文 参考訳（メタデータ） (2021-02-21T02:25:32Z) - Contour Transformer Network for One-shot Segmentation of Anatomical
Structures [26.599337546171732]
本稿では,自然に組み込まれたループ機構を備えたワンショット解剖分類手法であるContour Transformer Network(CTN)を提案する。
4つの解剖学のセグメンテーションタスクにおいて、我々のワンショット学習法が非学習的手法を著しく上回っていることを示す。
最小限のHuman-in-the-loop編集フィードバックにより、セグメンテーション性能は、完全に教師されたメソッドを超えるようにさらに改善される。
論文 参考訳（メタデータ） (2020-12-02T19:42:18Z) - Characterization of surface motion patterns in highly deformable soft
tissue organs from dynamic MRI: An application to assess 4D bladder motion [0.0]
本研究の目的は, 表面全体を完全に覆うために3次元密度速度測定を行うことである。
深呼吸時の膀胱表面動態を解析するためのパイプラインを提案する。
論文 参考訳（メタデータ） (2020-10-05T08:38:08Z)
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。