論文の概要: Point2SSM++: Self-Supervised Learning of Anatomical Shape Models from Point Clouds

• arxiv url: http://arxiv.org/abs/2405.09707v1
• Date: Wed, 15 May 2024 21:13:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-17 15:50:04.616041
• Title: Point2SSM++: Self-Supervised Learning of Anatomical Shape Models from Point Clouds
• Title（参考訳）: Point2SSM++:ポイントクラウドからの解剖学的形状モデルの自己教師付き学習
• Authors: Jadie Adams, Shireen Elhabian,
• Abstract要約: 対応型統計形状モデリング(SSM)は臨床研究における形態計測解析の強力な技術である。 Point2SSM++は、解剖学的形状の点雲表現から対応点を学習する、原則化された自己教師型ディープラーニングアプローチである。 本稿では,動的時間的・マルチ解剖的シナリオに適したPoint2SSM++の拡張について述べる。
• 参考スコア（独自算出の注目度）: 4.972323953932128
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Correspondence-based statistical shape modeling (SSM) stands as a powerful technology for morphometric analysis in clinical research. SSM facilitates population-level characterization and quantification of anatomical shapes such as bones and organs, aiding in pathology and disease diagnostics and treatment planning. Despite its potential, SSM remains under-utilized in medical research due to the significant overhead associated with automatic construction methods, which demand complete, aligned shape surface representations. Additionally, optimization-based techniques rely on bias-inducing assumptions or templates and have prolonged inference times as the entire cohort is simultaneously optimized. To overcome these challenges, we introduce Point2SSM++, a principled, self-supervised deep learning approach that directly learns correspondence points from point cloud representations of anatomical shapes. Point2SSM++ is robust to misaligned and inconsistent input, providing SSM that accurately samples individual shape surfaces while effectively capturing population-level statistics. Additionally, we present principled extensions of Point2SSM++ to adapt it for dynamic spatiotemporal and multi-anatomy use cases, demonstrating the broad versatility of the Point2SSM++ framework. Furthermore, we present extensions of Point2SSM++ tailored for dynamic spatiotemporal and multi-anatomy scenarios, showcasing the broad versatility of the framework. Through extensive validation across diverse anatomies, evaluation metrics, and clinically relevant downstream tasks, we demonstrate Point2SSM++'s superiority over existing state-of-the-art deep learning models and traditional approaches. Point2SSM++ substantially enhances the feasibility of SSM generation and significantly broadens its array of potential clinical applications.
• Abstract（参考訳）: 対応型統計形状モデリング(SSM)は臨床研究における形態計測解析の強力な技術である。 SSMは、骨や臓器などの解剖学的形状の個体群レベルでの特徴と定量化を促進し、病理学や疾患の診断、治療計画を支援する。 その可能性にもかかわらず、SSMは、完全な整列形状の表象を必要とする自動工法に関連する重大なオーバーヘッドのため、医学研究において未利用のままである。 さらに、最適化に基づく手法はバイアス誘発仮定やテンプレートに依存しており、コホート全体が同時に最適化されるため、推論時間が長くなる。 これらの課題を克服するために、解剖学的形状のポイントクラウド表現から直接対応点を学習する、原則付き自己教師型ディープラーニングアプローチであるPoint2SSM++を紹介した。 Point2SSM++は不整合かつ一貫性のない入力に対して堅牢であり、個体群レベルの統計を効果的に捉えながら、個々の形状表面を正確に分析するSSMを提供する。 さらに,P2SSM++フレームワークの広範な汎用性を実証し,動的時空間およびマルチ解剖的ユースケースに適応するために,Point2SSM++の原則的拡張を提案する。 さらに,動的時空間およびマルチ解剖シナリオに適したPoint2SSM++の拡張を提案する。 さまざまな解剖学、評価指標、臨床的に関係のある下流タスクの広範な検証を通じて、既存の最先端のディープラーニングモデルや従来のアプローチよりもPoint2SSM++の方が優れていることを示す。 Point2SSM++は、SSM生成の実現可能性を大幅に向上し、臨床応用の可能性を大幅に拡大する。

関連論文リスト

• Inter-slice Super-resolution of Magnetic Resonance Images by Pre-training and Self-supervised Fine-tuning [49.197385954021456]
  臨床実践では、2次元磁気共鳴(MR)シーケンスが広く採用されている。個々の2次元スライスを積み重ねて3次元ボリュームを形成できるが、比較的大きなスライスススペーシングは可視化とその後の解析タスクに課題をもたらす可能性がある。 スライス間隔を低減するため,ディープラーニングに基づく超解像技術が広く研究されている。 現在のほとんどのソリューションは、教師付きトレーニングのために、かなりの数の高解像度と低解像度の画像を必要とするが、通常は現実のシナリオでは利用できない。
  論文  参考訳（メタデータ） (2024-06-10T02:20:26Z)
• Weakly Supervised Bayesian Shape Modeling from Unsegmented Medical Images [4.424170214926035]
  対応型統計形状モデリング(SSM)は、人口レベルの形態計測を容易にする。 ディープラーニングの最近の進歩は、推論においてこのプロセスを合理化している。 我々は,ポイントクラウドを用いた画像からSSMを予測するために,弱い教師付きディープラーニングアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-15T20:47:59Z)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• Point2SSM: Learning Morphological Variations of Anatomies from Point Cloud [5.874142059884521]
  原点雲から直接対応型統計形状モデル(SSM)を構築するための新しい教師なし学習手法であるPoint2SSMを提案する。 SSMは臨床研究において重要であり、骨や臓器の形態的変化の集団レベルでの分析を可能にする。
  論文  参考訳（メタデータ） (2023-05-23T19:36:24Z)
• Mesh2SSM: From Surface Meshes to Statistical Shape Models of Anatomy [0.0]
  我々は、教師なしの置換不変表現学習を利用して、テンプレートポイントクラウドを主題固有のメッシュに変形する方法を推定する新しいアプローチであるMesh2SSMを提案する。 Mesh2SSMは集団固有のテンプレートも学習でき、テンプレート選択によるバイアスを低減できる。
  論文  参考訳（メタデータ） (2023-05-13T00:03:59Z)
• Can point cloud networks learn statistical shape models of anatomies? [0.0]
  クラウド・エンコーダ・デコーダ・ベース・コンプリート・ネットワークは,統計的形状モデリングにおいて未解決の可能性を秘めていることを示す。 私たちの研究は、SSMのためのポイントクラウド深層学習のさらなる探求の道を開くものです。
  論文  参考訳（メタデータ） (2023-05-09T17:01:17Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Benchmarking off-the-shelf statistical shape modeling tools in clinical applications [53.47202621511081]
  我々は、広く使われている最先端のSSMツールの結果を体系的に評価する。 解剖学的ランドマーク/計測推測および病変スクリーニングのための検証フレームワークを提案する。 ShapeWorks と Deformetrica の形状モデルは臨床的に関連する集団レベルの変動を捉えている。
  論文  参考訳（メタデータ） (2020-09-07T03:51:35Z)

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。