Fugu-MT 論文翻訳(概要): Generative 3D Cardiac Shape Modelling for In-Silico Trials

論文の概要: Generative 3D Cardiac Shape Modelling for In-Silico Trials

arxiv url: http://arxiv.org/abs/2409.16058v1
Date: Tue, 24 Sep 2024 12:59:18 GMT
ステータス: 処理完了
システム内更新日: 2024-09-26 05:46:35.964297
Title: Generative 3D Cardiac Shape Modelling for In-Silico Trials
Title（参考訳）: シリコン内トライアルのための3次元心臓形状モデリング
Authors: Andrei Gasparovici, Alex Serban,
Abstract要約: 人工大動脈の形状をモデル化・生成する深層学習法を提案する。このネットワークは、CT画像から再構成された大動脈根メッシュのデータセットに基づいて訓練される。学習した埋め込みベクトルからサンプリングすることで、実際の患者解剖に類似した新しい形状を生成することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a deep learning method to model and generate synthetic aortic shapes based on representing shapes as the zero-level set of a neural signed distance field, conditioned by a family of trainable embedding vectors with encode the geometric features of each shape. The network is trained on a dataset of aortic root meshes reconstructed from CT images by making the neural field vanish on sampled surface points and enforcing its spatial gradient to have unit norm. Empirical results show that our model can represent aortic shapes with high fidelity. Moreover, by sampling from the learned embedding vectors, we can generate novel shapes that resemble real patient anatomies, which can be used for in-silico trials.
Abstract（参考訳）: 本研究では,各形状の幾何学的特徴を符号化した訓練可能な埋め込みベクトル群により,ニューラルサインされた距離場のゼロレベル集合として形状を表すことに基づく合成大動脈形状をモデル化し,生成する深層学習手法を提案する。このネットワークは、CT画像から再構成された大動脈根メッシュのデータセットに基づいて、サンプリングされた表面点に神経磁場を消滅させ、その空間勾配を単位ノルムを持つように強制することにより訓練される。以上の結果から,本モデルでは高忠実度で大動脈の形状を表現できることが示唆された。さらに、学習した埋め込みベクトルからサンプリングすることで、実際の患者解剖に類似した新しい形状を生成できる。

関連論文リスト

Deep Medial Voxels: Learned Medial Axis Approximations for Anatomical Shape Modeling [5.584193645582203]
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。
論文参考訳（メタデータ） (2024-03-18T13:47:18Z)
An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation [45.820901263103806]
In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
論文参考訳（メタデータ） (2024-03-10T21:33:53Z)
GEM3D: GEnerative Medial Abstractions for 3D Shape Synthesis [25.594334301684903]
GEM3Dは3次元形状の新しい深層トポロジ対応生成モデルである。本手法の主な要素は,形状トポロジーと幾何学の両方の情報をコードする神経骨格に基づく表現である。我々は,最先端技術と比較して,表面の忠実な再構築と多様な形状生成結果を示す。
論文参考訳（メタデータ） (2024-02-26T20:00:57Z)
ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
論文参考訳（メタデータ） (2023-12-11T07:09:32Z)
TailorMe: Self-Supervised Learning of an Anatomically Constrained Volumetric Human Shape Model [4.474107938692397]
人間の形状空間は、人間の形状の中核要素であり、推論タスクを装うため、広く研究されている。骨格骨と軟組織からなる解剖学的テンプレートをCAESARデータベースの表面スキャンに作成する。このデータは、人文的に制約された容積的人体形状モデルを自己監督的に学習するために使用される。
論文参考訳（メタデータ） (2023-11-03T07:42:19Z)
Neural Deformable Models for 3D Bi-Ventricular Heart Shape Reconstruction and Modeling from 2D Sparse Cardiac Magnetic Resonance Imaging [8.12099697240624]
心臓の3次元心室形状の再構築とモデリングを目的としたニューラルデフォルマブルモデル(NDM)を提案する。パラメータ関数の集合によってパラメータ化される混合変形可能なスーパークワッドリックを用いて、両心室形状をモデル化する。我々のNDMは、任意のスケールで疎い心点雲を密度化し、高品質な三角メッシュを自動的に生成することを学ぶことができる。
論文参考訳（メタデータ） (2023-07-15T03:11:16Z)
Neural Wavelet-domain Diffusion for 3D Shape Generation, Inversion, and Manipulation [54.09274684734721]
本稿では,ウェーブレット領域における連続的な暗黙表現の直接生成モデルを用いて,3次元形状の生成,反転,操作を行う新しい手法を提案する。具体的には、1対の粗い係数と細部係数の体積を持つコンパクトなウェーブレット表現を提案し、トランケートされた符号付き距離関数とマルチスケールの生体直交ウェーブレットを介して3次元形状を暗黙的に表現する。エンコーダネットワークを共同でトレーニングすることで,形状を反転させる潜在空間を学習することができる。
論文参考訳（メタデータ） (2023-02-01T02:47:53Z)
A Generative Shape Compositional Framework to Synthesise Populations of Virtual Chimaeras [52.33206865588584]
複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
論文参考訳（メタデータ） (2022-10-04T13:36:52Z)
Generative Deformable Radiance Fields for Disentangled Image Synthesis of Topology-Varying Objects [52.46838926521572]
3D認識生成モデルは、モノクロ2D画像の集合から3Dニューラル放射場(NeRF)を生成するスーパーブパフォーマンスを実証した。本研究では, トポロジー変化物体の放射場を非交絡形状と外観変化で合成する生成モデルを提案する。
論文参考訳（メタデータ） (2022-09-09T08:44:06Z)
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)

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。