論文の概要: LaB-GATr: geometric algebra transformers for large biomedical surface and volume meshes

• arxiv url: http://arxiv.org/abs/2403.07536v1
• Date: Tue, 12 Mar 2024 11:19:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 21:53:28.138839
• Title: LaB-GATr: geometric algebra transformers for large biomedical surface and volume meshes
• Title（参考訳）: LaB-GATr:大規模生体表面および体積メッシュのための幾何学代数変換器
• Authors: Julian Suk, Baris Imre, Jelmer M. Wolterink
• Abstract要約: 高忠実度メッシュを用いた学習のための幾何学的トークン化を備えた深層ニューラルネットワークLaB-GATrを提案する。 LaB-GATrは、心臓血管血行動態モデリングと神経発達型表現型予測の3つの課題について最先端の結果を得る。 以上の結果から,LaB-GATrは高忠実度メッシュで学習するための強力なアーキテクチャであることを示す。
• 参考スコア（独自算出の注目度）: 1.6451639748812472
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many anatomical structures can be described by surface or volume meshes. Machine learning is a promising tool to extract information from these 3D models. However, high-fidelity meshes often contain hundreds of thousands of vertices, which creates unique challenges in building deep neural network architectures. Furthermore, patient-specific meshes may not be canonically aligned which limits the generalisation of machine learning algorithms. We propose LaB-GATr, a transfomer neural network with geometric tokenisation that can effectively learn with large-scale (bio-)medical surface and volume meshes through sequence compression and interpolation. Our method extends the recently proposed geometric algebra transformer (GATr) and thus respects all Euclidean symmetries, i.e. rotation, translation and reflection, effectively mitigating the problem of canonical alignment between patients. LaB-GATr achieves state-of-the-art results on three tasks in cardiovascular hemodynamics modelling and neurodevelopmental phenotype prediction, featuring meshes of up to 200,000 vertices. Our results demonstrate that LaB-GATr is a powerful architecture for learning with high-fidelity meshes which has the potential to enable interesting downstream applications. Our implementation is publicly available.
• Abstract（参考訳）: 多くの解剖学的構造は表面または体積メッシュによって記述できる。 機械学習は、これらの3Dモデルから情報を抽出する有望なツールである。 しかし、高忠実度メッシュはしばしば数十万の頂点を含んでいるため、ディープニューラルネットワークアーキテクチャを構築する上でユニークな課題を生み出します。 さらに、患者固有のメッシュは、機械学習アルゴリズムの一般化を制限する正統的な整列ができない場合がある。 本稿では,大規模(バイオ)医療面とボリュームメッシュを用いてシーケンス圧縮と補間により効果的に学習可能な,幾何学的トークン化を備えたトランスフォーマーニューラルネットワークLaB-GATrを提案する。 本手法は,最近提案された幾何代数変換器(gatr)を拡張し,すべてのユークリッド対称性,すなわち回転,変換,反射を尊重し,患者間の正準アライメント問題を効果的に解決する。 LaB-GATrは、最大20万頂点のメッシュを特徴とする、心臓血管血行動態モデリングと神経発達型表現型予測の3つのタスクで最先端の結果を得る。 以上の結果から,LaB-GATrは高忠実度メッシュで学習するための強力なアーキテクチャであることを示す。 私たちの実装は公開されています。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• NASM: Neural Anisotropic Surface Meshing [38.8654207201197]
  本稿では、異方性表面メッシュのための学習に基づく新しい手法NASMを提案する。 鍵となるアイデアは、入力メッシュを高次元ユークリッド埋め込み空間に埋め込み、曲率ベースの異方性計量を保存することである。 そこで,本研究では,新たに生成した高次元埋め込みにおける特徴感リメッシングを提案し,鮮明な幾何学的特徴を自動キャプチャする。
  論文  参考訳（メタデータ） (2024-10-30T15:20:10Z)
• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
  画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。 グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。 我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
  論文  参考訳（メタデータ） (2023-11-22T21:51:29Z)
• A computational geometry approach for modeling neuronal fiber pathways [10.741721423684305]
  トラクトグラフィーは、脳内の白質経路の幾何学を示す3次元の複雑な神経線維を構成する。 ホワイトマターファイバの接続を容易にすることを目的とした,計算幾何学に基づくトラクトグラフィー表現を開発した。 アルツハイマー病患者からの拡散MRIデータを用いて,本モデルからトラクトグラフィーの特徴を抽出し,アルツハイマー病患者と健常者との鑑別を行った。
  論文  参考訳（メタデータ） (2021-08-02T21:16:29Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Learning Deformable Tetrahedral Meshes for 3D Reconstruction [78.0514377738632]
  学習に基づく3次元再構成に対応する3次元形状表現は、機械学習とコンピュータグラフィックスにおいてオープンな問題である。 ニューラル3D再構成に関するこれまでの研究は、利点だけでなく、ポイントクラウド、ボクセル、サーフェスメッシュ、暗黙の関数表現といった制限も示していた。 Deformable Tetrahedral Meshes (DefTet) を, ボリューム四面体メッシュを再構成問題に用いるパラメータ化として導入する。
  論文  参考訳（メタデータ） (2020-11-03T02:57:01Z)
• Embed Me If You Can: A Geometric Perceptron [14.274582421372308]
  多層超球パーセプトロン(MLHP)の拡張について紹介する。 我々のモデルは3次元テトリス形状の分類においてバニラ多層パーセプトロンよりも優れている。
  論文  参考訳（メタデータ） (2020-06-11T15:25:50Z)

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。