論文の概要: An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation

• arxiv url: http://arxiv.org/abs/2403.06317v1
• Date: Sun, 10 Mar 2024 21:33:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-12 20:49:48.910564
• Title: An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation
• Title（参考訳）: 形状マッチングと生成のためのエンドツーエンドディープラーニング生成フレームワーク
• Authors: Soodeh Kalaie, Andy Bulpitt, Alejandro F. Frangi, and Ali Gooya
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 45.820901263103806
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Generative modelling for shapes is a prerequisite for In-Silico Clinical Trials (ISCTs), which aim to cost-effectively validate medical device interventions using synthetic anatomical shapes, often represented as 3D surface meshes. However, constructing AI models to generate shapes closely resembling the real mesh samples is challenging due to variable vertex counts, connectivities, and the lack of dense vertex-wise correspondences across the training data. Employing graph representations for meshes, we develop a novel unsupervised geometric deep-learning model to establish refinable shape correspondences in a latent space, construct a population-derived atlas and generate realistic synthetic shapes. We additionally extend our proposed base model to a joint shape generative-clustering multi-atlas framework to incorporate further variability and preserve more details in the generated shapes. Experimental results using liver and left-ventricular models demonstrate the approach's applicability to computational medicine, highlighting its suitability for ISCTs through a comparative analysis.
• Abstract（参考訳）: 形状生成モデル (generative modelling for shapes) は、in-silico clinical trial (iscts) の前提条件であり、しばしば3次元表面メッシュとして表現される合成解剖学的形状を用いて医療機器の介入を効果的に検証することを目的としている。 しかし、実際のメッシュサンプルによく似た形状を生成するためのAIモデルの構築は、可変頂点数、接続性、トレーニングデータ間の密接な頂点対応の欠如により困難である。 メッシュのグラフ表現を用いて, 潜在空間における拡張可能な形状対応を確立し, 集団由来のアトラスを構築し, 現実的な合成形状を生成するための, 教師なし幾何学的深層学習モデルを開発した。 さらに,提案するベースモデルを,複合型生成クラスタ型マルチアトラスフレームワークに拡張し,さらに可変性を高め,生成した形状をより詳細に保存する。 肝臓および左室モデルを用いた実験結果から,ISCTに対するアプローチの適用性について比較分析により明らかにした。

関連論文リスト

• Implicit Shape Modeling for Anatomical Structure Refinement of Volumetric Medical Images [29.894934602946567]
  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。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• Learning Versatile 3D Shape Generation with Improved AR Models [91.87115744375052]
  自己回帰(AR)モデルはグリッド空間の関節分布をモデル化することにより2次元画像生成において印象的な結果を得た。 本稿では3次元形状生成のための改良された自己回帰モデル(ImAM)を提案する。
  論文  参考訳（メタデータ） (2023-03-26T12:03:18Z)
• 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)
• Landmark-free Statistical Shape Modeling via Neural Flow Deformations [0.5897108307012394]
  本稿では,トレーニングインスタンス間の密接な対応を必要とせず,形状変化を学習する新しい形状モデリング手法であるFlowSSMを提案する。 当モデルでは, 遠位端大腿骨・肝臓に先立って, 表現的かつ頑健な形状を提供することで, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-14T18:17:19Z)
• Autoregressive 3D Shape Generation via Canonical Mapping [92.91282602339398]
  トランスフォーマーは、画像、音声、テキスト生成など、様々な生成タスクで顕著なパフォーマンスを示している。 本稿では,変圧器のパワーをさらに活用し,それを3Dポイントクラウド生成のタスクに活用することを目的とする。 条件付き形状生成への応用として,本モデルを簡単にマルチモーダル形状完成に拡張することができる。
  論文  参考訳（メタデータ） (2022-04-05T03:12:29Z)
• SP-GAN: Sphere-Guided 3D Shape Generation and Manipulation [50.53931728235875]
  点雲の形で3次元形状を直接合成するための新しい教師なし球誘導生成モデルSP-GANを提案する。 既存のモデルと比較して、SP-GANは多種多様な高品質な形状を詳細に合成することができる。
  論文  参考訳（メタデータ） (2021-08-10T06:49:45Z)
• GLASS: Geometric Latent Augmentation for Shape Spaces [28.533018136138825]
  幾何学的に動機づけられたエネルギーを用いて拡張し、その結果、サンプル(トレーニング)モデルのスパースコレクションを増強する。 本研究では,高剛性(ARAP)エネルギーのヘシアン解析を行い,その基礎となる(局所)形状空間に投射する。 我々は,3～10個のトレーニング形状から始めても,興味深い,意味のある形状変化の例をいくつか提示する。
  論文  参考訳（メタデータ） (2021-08-06T17:56:23Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• 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)
• Dynamic multi-object Gaussian process models: A framework for data-driven functional modelling of human joints [0.0]
  形状とポーズを結合する原則的かつ堅牢な方法が,3つの主要な問題によって明らかになってきた。 本研究では,人体関節解析のための動的多目的統計モデリングフレームワークを提案する。 このフレームワークは、生物学的関節のための効率的な生成動的マルチオブジェクトモデリングプラットフォームを提供する。
  論文  参考訳（メタデータ） (2020-01-22T07:57:36Z)

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。