論文の概要: Deep Medial Voxels: Learned Medial Axis Approximations for Anatomical Shape Modeling
- arxiv url: http://arxiv.org/abs/2403.11790v1
- Date: Mon, 18 Mar 2024 13:47:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-20 20:19:57.342515
- Title: Deep Medial Voxels: Learned Medial Axis Approximations for Anatomical Shape Modeling
- Title(参考訳): Deep Medial Voxels: 解剖学的形状モデリングのためのメディア軸近似の学習
- Authors: Antonio Pepe, Richard Schussnig, Jianning Li, Christina Gsaxner, Dieter Schmalstieg, Jan Egger,
- Abstract要約: 画像量からトポロジカルな骨格を忠実に近似する半単純表現であるディープ・メディアル・ボクセルを導入する。
再現技術は,可視化と計算機シミュレーションの両方の可能性を示している。
- 参考スコア(独自算出の注目度): 5.584193645582203
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shape reconstruction from imaging volumes is a recurring need in medical image analysis. Common workflows start with a segmentation step, followed by careful post-processing and,finally, ad hoc meshing algorithms. As this sequence can be timeconsuming, neural networks are trained to reconstruct shapes through template deformation. These networks deliver state-ofthe-art results without manual intervention, but, so far, they have primarily been evaluated on anatomical shapes with little topological variety between individuals. In contrast, other works favor learning implicit shape models, which have multiple benefits for meshing and visualization. Our work follows this direction by introducing deep medial voxels, a semi-implicit representation that faithfully approximates the topological skeleton from imaging volumes and eventually leads to shape reconstruction via convolution surfaces. Our reconstruction technique shows potential for both visualization and computer simulations.
- Abstract(参考訳): 画像ボリュームからの形状再構成は、医用画像解析において繰り返し必要となる。
一般的なワークフローはセグメンテーションステップから始まり、慎重に後処理とアドホックなメッシュアルゴリズムが続く。
このシーケンスは時間を要する可能性があるため、ニューラルネットワークはテンプレートの変形によって形状を再構築するように訓練される。
これらのネットワークは手動による介入なしに最先端の結果をもたらすが、これまでのところ、個体間のトポロジ的多様性がほとんどない解剖学的形状で評価されてきた。
対照的に、他の研究は、メッシュ化と視覚化に複数の利点がある暗黙の形状モデルを学ぶことを好んでいる。
我々の研究は、画像の体積からトポロジカルな骨格を忠実に近似した半単純表現であるディープ・メディカル・ボクセルを導入し、最終的に畳み込み面による形状復元へと導いた。
再現技術は,可視化と計算機シミュレーションの両方の可能性を示している。
関連論文リスト
- Attention-based Shape-Deformation Networks for Artifact-Free Geometry Reconstruction of Lumbar Spine from MR Images [1.4249943098958722]
我々は, 腰椎の形状を高空間精度で再構成し, 患者間でのメッシュ通信を行う新しい注意型ディープニューラルネットワークであるtextitUNet-DeformSA$ と $textitTransDeformer$ を提示する。
実験の結果、我々のネットワークはアーティファクトフリーな幾何出力を生成しており、$textitTransDeformer$の変種は再構成された幾何の誤差を予測することができることがわかった。
論文 参考訳(メタデータ) (2024-03-30T03:23:52Z) - Image segmentation with traveling waves in an exactly solvable recurrent
neural network [71.74150501418039]
繰り返しニューラルネットワークは、シーンの構造特性に応じて、画像をグループに効果的に分割できることを示す。
本稿では,このネットワークにおけるオブジェクトセグメンテーションのメカニズムを正確に記述する。
次に、グレースケール画像中の単純な幾何学的対象から自然画像まで、入力をまたいで一般化するオブジェクトセグメンテーションの簡単なアルゴリズムを実証する。
論文 参考訳(メタデータ) (2023-11-28T16:46:44Z) - NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。
本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
論文 参考訳(メタデータ) (2022-10-05T16:52:25Z) - 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) - Neural Template: Topology-aware Reconstruction and Disentangled
Generation of 3D Meshes [52.038346313823524]
本稿では,Distangled Topologyによる3次元メッシュ再構成と生成のためのDTNetという新しいフレームワークを提案する。
提案手法は,最先端の手法と比較して,特に多様なトポロジで高品質なメッシュを生成することができる。
論文 参考訳(メタデータ) (2022-06-10T08:32:57Z) - Bayesian Inversion for Nonlinear Imaging Models using Deep Generative
Priors [24.544313203472992]
非線形逆問題クラスに対するメトロポリス調整ランゲヴィンアルゴリズムに基づくトラクタブル後方サンプリング手法を開発した。
本稿では,2つの非線形画像モダリティ-位相検索と光回折トモグラフィーに応用することで,この枠組みの利点を述べる。
論文 参考訳(メタデータ) (2022-03-18T17:47:29Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳(メタデータ) (2021-11-23T15:08:26Z) - DeepSSM: A Blueprint for Image-to-Shape Deep Learning Models [4.608133071225539]
統計的形状モデリング(SSM)は、医学画像から生成される形状の個体群における解剖学的変異を特徴付ける。
DeepSSMは、ディープラーニングベースのイメージ・トゥ・シェイプモデルのための青写真を提供することを目指している。
論文 参考訳(メタデータ) (2021-10-14T04:52:37Z) - Reducing Textural Bias Improves Robustness of Deep Segmentation CNNs [8.736194193307451]
自然画像の最近の知見は、深いニューラルモデルは、画像分類タスクを実行する際に、テクスチャバイアスを示す可能性があることを示唆している。
本研究の目的は, 深いセグメンテーションモデルの堅牢性と伝達性を高めるために, テクスチャバイアス現象に対処する方法を検討することである。
論文 参考訳(メタデータ) (2020-11-30T18:29:53Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳(メタデータ) (2020-03-24T14:25:46Z)
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。