Fugu-MT 論文翻訳(概要): Explicit Differentiable Slicing and Global Deformation for Cardiac Mesh Reconstruction

論文の概要: Explicit Differentiable Slicing and Global Deformation for Cardiac Mesh Reconstruction

arxiv url: http://arxiv.org/abs/2409.02070v2
Date: Sun, 20 Oct 2024 10:43:30 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 23:56:04.311157
Title: Explicit Differentiable Slicing and Global Deformation for Cardiac Mesh Reconstruction
Title（参考訳）: 心臓メッシュ再建のための明示的微分スライシングと大域的変形
Authors: Yihao Luo, Dario Sesia, Fanwen Wang, Yinzhe Wu, Wenhao Ding, Jiahao Huang, Fadong Shi, Anoop Shah, Amit Kaural, Jamil Mayet, Guang Yang, ChoonHwai Yap,
Abstract要約: 医用画像からの心臓解剖のメッシュ再構築は, 形状, 運動計測, 生体物理シミュレーションに有用である。従来のボクセルベースのアプローチは、イメージの忠実さを損なう前処理と後処理に依存している。そこで本稿では,メッシュのスライスからメッシュへの勾配バックプロパゲーションを可能にする,新しい識別可能なボキセル化とスライシング(DVS)アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 8.730291904586656
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mesh reconstruction of the cardiac anatomy from medical images is useful for shape and motion measurements and biophysics simulations to facilitate the assessment of cardiac function and health. However, 3D medical images are often acquired as 2D slices that are sparsely sampled and noisy, and mesh reconstruction on such data is a challenging task. Traditional voxel-based approaches rely on pre- and post-processing that compromises image fidelity, while mesh-level deep learning approaches require mesh annotations that are difficult to get. Therefore, direct cross-domain supervision from 2D images to meshes is a key technique for advancing 3D learning in medical imaging, but it has not been well-developed. While there have been attempts to approximate the optimized meshes' slicing, few existing methods directly use 2D slices to supervise mesh reconstruction in a differentiable manner. Here, we propose a novel explicit differentiable voxelization and slicing (DVS) algorithm that allows gradient backpropagation to a mesh from its slices, facilitating refined mesh optimization directly supervised by the losses defined on 2D images. Further, we propose an innovative framework for extracting patient-specific left ventricle (LV) meshes from medical images by coupling DVS with a graph harmonic deformation (GHD) mesh morphing descriptor of cardiac shape that naturally preserves mesh quality and smoothness during optimization. Experimental results demonstrate that our method achieves state-of-the-art performance in cardiac mesh reconstruction tasks from CT and MRI, with an overall Dice score of 90% on multi-datasets, outperforming existing approaches. The proposed method can further quantify clinically useful parameters such as ejection fraction and global myocardial strains, closely matching the ground truth and surpassing the traditional voxel-based approach in sparse images.
Abstract（参考訳）: 医用画像からの心臓解剖のメッシュ再構築は、心臓機能と健康の評価を容易にするための形状・運動計測および生体物理シミュレーションに有用である。しかし、3Dの医用画像はしばしば、わずかにサンプリングされノイズの多い2Dスライスとして取得され、そのようなデータのメッシュ再構築は難しい作業である。従来のボクセルベースのアプローチは、イメージの忠実性を損なう前処理と後処理に頼っているが、メッシュレベルのディープラーニングアプローチでは、取得が難しいメッシュアノテーションが必要になる。そのため、2次元画像からメッシュへのドメイン間直接監視は、医用画像における3次元学習を前進させる重要な技術であるが、まだ十分に開発されていない。最適化メッシュスライシングを近似する試みがあるが、メッシュ再構築を異なる方法で監視するために2Dスライスを直接使用する方法はほとんどない。本稿では,2次元画像上に定義された損失によって直接監督される洗練されたメッシュ最適化を実現するために,メッシュのスライスから勾配のバックプロパゲーションを可能にする,新しい識別可能なボキセル化とスライシング(DVS)アルゴリズムを提案する。さらに,DVSとグラフ調和変形(GHD)メッシュ形態記述子を結合することにより,医用画像から患者固有の左室メッシュ(LV)を抽出する革新的な枠組みを提案する。実験の結果,CTおよびMRIによる心メッシュ再建作業において,Diceスコアの90%をマルチデータセット上で達成し,既存手法より優れていた。提案手法は, 抽出率や大域心筋病変などの臨床的に有用なパラメータを定量化し, 基礎的真実と密に一致し, スパース画像における従来のボクセルベースアプローチを克服する。

関連論文リスト

Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
論文参考訳（メタデータ） (2023-10-10T13:46:11Z)
Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文参考訳（メタデータ） (2023-05-27T03:55:19Z)
Improving 3D Imaging with Pre-Trained Perpendicular 2D Diffusion Models [52.529394863331326]
本稿では,2つの垂直2次元拡散モデルを用いて3次元逆問題の解法を提案する。 MRI Z軸超解像, 圧縮センシングMRI, スパースCTなどの3次元医用画像再構成作業に有効である。
論文参考訳（メタデータ） (2023-03-15T08:28:06Z)
End-to-end Deformable Attention Graph Neural Network for Single-view Liver Mesh Reconstruction [2.285821277711784]
本稿では,肝臓の三角形形状をリアルタイムに生成する新しいエンド・ツー・エンドアテンショングラフニューラルネットワークモデルを提案する。提案手法は平均誤差3.06+-0.7mm,チャンファー距離63.14+-27.28。
論文参考訳（メタデータ） (2023-03-13T19:15:49Z)
Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文参考訳（メタデータ） (2022-09-19T09:43:19Z)
InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文参考訳（メタデータ） (2021-12-23T15:52:37Z)
A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction [1.8047694351309207]
本研究では,ボリュームCTとMR画像データから心表面メッシュ全体を直接予測する深層学習に基づく新しい手法を提案する。本手法は,高分解能,高品質の全心臓再建を実現できる有望な性能を示した。
論文参考訳（メタデータ） (2021-02-16T00:39:43Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)
Enhanced 3D Myocardial Strain Estimation from Multi-View 2D CMR Imaging [0.0]
CMR SSFP画像からの複数方向からの相補的変位情報を組み合わせた3次元心筋ひずみ推定法を提案する。商用ソフトウェア(セグメント,メドビソ)に実装された2次元非剛性登録アルゴリズムを用いて,短軸,4角,2角のビューのセットを登録する。次に, 運動3方向の補間関数を作成し, 患者固有の左室の四面体メッシュ表現を変形させる。
論文参考訳（メタデータ） (2020-09-25T22:47:50Z)
PC-U Net: Learning to Jointly Reconstruct and Segment the Cardiac Walls in 3D from CT Data [18.941064150226236]
2次元CTスライスから直接LV MYO壁の点雲を直接再構成するPC-Uネットを提案する。提案したPC-Uネットの協調学習フレームワークは,自動心画像解析タスクに有用である。
論文参考訳（メタデータ） (2020-08-18T23:37:05Z)
Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文参考訳（メタデータ） (2020-07-09T13:23:15Z)

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。