論文の概要: Representing Anatomical Trees by Denoising Diffusion of Implicit Neural Fields

• arxiv url: http://arxiv.org/abs/2403.08974v1
• Date: Wed, 13 Mar 2024 21:43:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-15 22:27:10.594806
• Title: Representing Anatomical Trees by Denoising Diffusion of Implicit Neural Fields
• Title（参考訳）: 無作為なニューラルネットワークの拡散による解剖樹の表現
• Authors: Ashish Sinha, Ghassan Hamarneh,
• Abstract要約: 解剖学的木は臨床診断と治療計画において中心的な役割を果たす。 伝統的な木構造表現法は、医学的画像を用いて捉えられ、解像度、柔軟性、効率の制限による欠点を示す。 暗黙的神経表現(INR)を用いた解剖学的木表現の新しい手法を提案する。 解剖学的樹木の複雑な地形や地形を任意の解像度で正確に把握する。
• 参考スコア（独自算出の注目度）: 17.943355593568242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anatomical trees play a central role in clinical diagnosis and treatment planning. However, accurately representing anatomical trees is challenging due to their varying and complex topology and geometry. Traditional methods for representing tree structures, captured using medical imaging, while invaluable for visualizing vascular and bronchial networks, exhibit drawbacks in terms of limited resolution, flexibility, and efficiency. Recently, implicit neural representations (INRs) have emerged as a powerful tool for representing shapes accurately and efficiently. We propose a novel approach for representing anatomical trees using INR, while also capturing the distribution of a set of trees via denoising diffusion in the space of INRs. We accurately capture the intricate geometries and topologies of anatomical trees at any desired resolution. Through extensive qualitative and quantitative evaluation, we demonstrate high-fidelity tree reconstruction with arbitrary resolution yet compact storage, and versatility across anatomical sites and tree complexities.
• Abstract（参考訳）: 解剖学的木は臨床診断と治療計画において中心的な役割を果たす。 しかしながら、解剖学的な木を正確に表現することは、その多様で複雑なトポロジーと幾何学のために困難である。 伝統的な木構造表現法は、医用画像を用いて撮影されるが、血管と気管支のネットワークを可視化するのには貴重なものであり、解像度、柔軟性、効率の面で欠点がある。 近年, 形状を正確に, 効率的に表現するための強力なツールとして暗黙的神経表現(INR)が出現している。 本稿では,INRを用いて解剖学的な木を表現できる手法を提案する。 解剖学的樹木の複雑な地形や地形を任意の解像度で正確に把握する。 定性的かつ定量的な評価を通じて、任意の解像度でコンパクトな保存と、解剖学的部位と木複合体の汎用性を備えた高忠実度木再構築を実証する。

関連論文リスト

• Leonardo vindicated: Pythagorean trees for minimal reconstruction of the natural branching structures [2.620755151566635]
  ピタゴラスの木は、自然の木の枝分かれ構造を現実的に模倣するフラクタルデザインである。 本研究では, 基部の形状, 枝角, 緩やかなスケールの異なる, ピタゴラス型フラクタル樹について検討した。 我々は, ピタゴラスの深いフラクタル木を成長させ, 視覚的に観察するための, 柔軟にパラメータ化され, 高速なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-11-12T18:54:55Z)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• Evaluating the point cloud of individual trees generated from images based on Neural Radiance fields (NeRF) method [2.4199520195547986]
  本研究では,様々なカメラで収集したツリー画像に基づいて,ニューラルレージアンスフィールド法(NeRF)を用いた。 以上の結果から,NeRF法は個々の木々の3次元再構成において良好に機能し,再現率が向上し,キャノピー領域の再現性が向上した。 光グラム点雲から抽出した木構造パラメータの精度は、NeRF点雲から抽出した木構造パラメータよりも高い。
  論文  参考訳（メタデータ） (2023-12-06T09:13:34Z)
• ARTree: A Deep Autoregressive Model for Phylogenetic Inference [6.935130578959931]
  グラフニューラルネットワーク(GNN)に基づく系統推定のための深層自己回帰モデルを提案する。 本研究では,本手法の有効性と効率を,実データツリーのトポロジー密度推定と変分系統推定問題のベンチマークで実証する。
  論文  参考訳（メタデータ） (2023-10-14T10:26:03Z)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• A Hybrid Approach to Full-Scale Reconstruction of Renal Arterial Network [5.953404851562665]
  腎血管ネットワークの主観的なモデルを構築するためのハイブリッドフレームワークを提案する。 我々は,大動脈の半自動分割と微小CTスキャンによる大脳皮質領域の推定を出発点として用いた。 ラット腎から得られた再建データと既存の解剖学的データとの統計的対応性を示した。
  論文  参考訳（メタデータ） (2023-03-03T10:39:25Z)
• Tree Reconstruction using Topology Optimisation [0.685316573653194]
  本稿では,点雲データから木の枝構造を抽出する一般的な手法を提案する。 本稿では,木構造復元における新しいアプローチの利点と欠点について論じる。 本手法は,ほとんどの場合,詳細かつ正確な木構造を生成する。
  論文  参考訳（メタデータ） (2022-05-26T07:08:32Z)
• BronchusNet: Region and Structure Prior Embedded Representation Learning for Bronchus Segmentation and Classification [53.53758990624962]
  そこで我々は,BronchusNetという組込みフレームワークに先立って,正確な気管支分析を行うための領域と構造を提案する。 気管支分画のための適応型ハード領域対応UNetを提案する。 気管支枝の分類には,ハイブリッドな点-ボクセルグラフ学習モジュールを提案する。
  論文  参考訳（メタデータ） (2022-05-14T02:32:33Z)
• Visualizing hierarchies in scRNA-seq data using a density tree-biased autoencoder [50.591267188664666]
  本研究では,高次元scRNA-seqデータから意味のある木構造を同定する手法を提案する。 次に、低次元空間におけるデータのツリー構造を強調する木バイアスオートエンコーダDTAEを紹介する。
  論文  参考訳（メタデータ） (2021-02-11T08:48:48Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。