Fugu-MT 論文翻訳(概要): A Continuous and Interpretable Morphometric for Robust Quantification of Dynamic Biological Shapes

論文の概要: A Continuous and Interpretable Morphometric for Robust Quantification of Dynamic Biological Shapes

arxiv url: http://arxiv.org/abs/2410.21004v2
Date: Thu, 30 Oct 2025 13:43:39 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-31 16:05:09.219004
Title: A Continuous and Interpretable Morphometric for Robust Quantification of Dynamic Biological Shapes
Title（参考訳）: 動的生体形状のロバスト定量のための連続的・解釈可能な形態計測
Authors: Roua Rouatbi, Juan-Esteban Suarez Cardona, Alba Villaronga-Luque, Jesse V. Veenvliet, Ivo F. Sbalzarini,
Abstract要約: PF-SDMは閉形状の幾何学的および位相的特性をコンパクトに符号化する。形状比較と機械学習のための堅牢で解釈可能な機能を提供する。
参考スコア（独自算出の注目度）: 1.37013665345905
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We introduce the Push-Forward Signed Distance Morphometric (PF-SDM) for shape quantification in biomedical imaging. The PF-SDM compactly encodes geometric and topological properties of closed shapes, including their skeleton and symmetries. This provides robust and interpretable features for shape comparison and machine learning. The PF-SDM is mathematically smooth, providing access to gradients and differential-geometric quantities. It also extends to temporal dynamics and allows fusing spatial intensity distributions, such as genetic markers, with shape dynamics. We present the PF-SDM theory, benchmark it on synthetic data, and apply it to predicting body-axis formation in mouse gastruloids, outperforming a CNN baseline in both accuracy and speed.
Abstract（参考訳）: バイオメディカルイメージングにおける形状定量化のためのPF-SDM(Push-Forward Signed Distance Morphometric)を提案する。 PF-SDMは、その骨格や対称性を含む閉じた形状の幾何学的および位相的特性をコンパクトに符号化する。これにより、形状比較と機械学習のための堅牢で解釈可能な機能を提供する。 PF-SDMは数学的に滑らかであり、勾配と微分幾何学量へのアクセスを提供する。また、時間力学にも拡張され、遺伝的マーカーのような空間強度分布と形状力学を融合させることができる。我々は,PF-SDM理論を合成データにベンチマークし,それをマウスのガストロロイドの体軸形成予測に適用し,CNNベースラインの精度と速度を両立させた。

関連論文リスト

Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation [3.03918153717041]
代理モデルはシミュレーションを加速することができるが、多様な解剖学における一般化は困難である。物理応答の学習から幾何学的表現を分離する2段階の枠組みを提案する。提案手法は, 正確な予測と非可視測地への一般化を可能にする。
論文参考訳（メタデータ） (2026-02-23T19:40:55Z)
MMPersistence: A mathematical morphology-oriented software library for computing persistent homology on cubical complexes [2.7074235008521246]
数学的形態学(MM、Mathematical morphology)は、画像処理において強力で広く使われているフレームワークである。本稿では,MMPersistenceライブラリを提案する。MM操作を多種多様なSEとPH計算と統合し,永続情報を抽出する。異なる形状のSEを用いてトポロジカルフィルタを構築することにより,デジタル画像の空間的特徴と形態的特徴の両方を符号化するMMベースのPHフレームワークを提案する。
論文参考訳（メタデータ） (2026-02-17T11:15:56Z)
Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文参考訳（メタデータ） (2026-02-02T14:13:28Z)
Geometry aware inference of steady state PDEs using Equivariant Neural Fields representations [0.0]
定常部分微分方程式を予測するエンコーダデコーダである enf2enf を導入する。提案手法は、リアルタイム推論とゼロショット超解像をサポートし、低分解能メッシュの効率的なトレーニングを可能にする。
論文参考訳（メタデータ） (2025-04-24T08:30:32Z)
Graph Neural Networks for modelling breast biomechanical compression [0.08192907805418582]
3次元モダリティからマンモグラフィーなどのX線治療への正確な画像登録には乳房圧迫シミュレーションが不可欠である。圧縮による組織形状と位置の変化を考慮し、正確なアライメントを確保し、分析を改善している。有限要素解析(FEA)は軟組織変形の近似に信頼性があり、精度と計算効率のバランスをとるのに苦労する。近年の研究では、組織変形予測を高速化するために、FAAの結果に基づいて訓練されたデータ駆動モデルを用いている。胸部圧迫シミュレーションのための物理ベースのグラフニューラルネットワーク(PhysGNN)を提案する。
論文参考訳（メタデータ） (2024-11-10T20:59:23Z)
Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文参考訳（メタデータ） (2024-10-16T20:36:41Z)
Shape-informed surrogate models based on signed distance function domain encoding [8.052704959617207]
パラメータ化偏微分方程式(PDE)の解を近似する代理モデルを構築するための非侵入的手法を提案する。我々のアプローチは2つのニューラルネットワーク(NN)の組み合わせに基づいている。
論文参考訳（メタデータ） (2024-09-19T01:47:04Z)
Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文参考訳（メタデータ） (2024-02-19T15:57:39Z)
Transolver: A Fast Transformer Solver for PDEs on General Geometries [66.82060415622871]
本稿では, 離散化された測地の背後に隠れた本質的な物理状態を学習するTransolverについて述べる。スライスから符号化された物理認識トークンに注意を向けることで、Transovlerは複雑な物理的相関を効果的に捉えることができる。 Transolverは6つの標準ベンチマークで22%の相対的な利得で一貫した最先端を実現し、大規模産業シミュレーションでも優れている。
論文参考訳（メタデータ） (2024-02-04T06:37:38Z)
Basis restricted elastic shape analysis on the space of unregistered surfaces [10.543359560247847]
本稿では,表面解析のための新しい数学的および数値的枠組みを提案する。私たちが開発しているアプローチの特異性は、許容変換の空間を変形場の予め定義された有限次元基底に制限することである。我々は、人体形状やポーズデータ、人間の顔スキャンに対するアプローチを具体的に検証し、形状登録、移動移動、ランダムポーズ生成といった問題に対して、一般的に最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2023-11-07T23:06:22Z)
Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-10-10T13:23:05Z)
Image2SSM: Reimagining Statistical Shape Models from Images with Radial Basis Functions [4.422330219605964]
統計的形状モデリングのための新しい深層学習手法であるImage2SSMを提案する。 Image2SSMは、画像から直接形状の放射基底関数(RBF)に基づく表現を学習する。解剖学的形状のアンサンブルの統計的ランドマークに基づく形状モデルを構築することにより、生物学的構造の個体群を特徴付けることができる。
論文参考訳（メタデータ） (2023-05-19T18:08:10Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules [69.05950120497221]
本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
論文参考訳（メタデータ） (2022-10-29T07:12:46Z)
GNPM: Geometric-Aware Neural Parametric Models [6.620111952225635]
本研究では,データの局所的構造を考慮し,ゆがんだ形状を学習し,4次元力学の潜在空間を呈する学習パラメトリックモデルを提案する。我々は、人間の様々なデータセット上でGNPMを評価し、訓練中に高密度の通信を必要とする最先端の手法に匹敵する性能を発揮することを示す。
論文参考訳（メタデータ） (2022-09-21T19:23:31Z)
Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
論文参考訳（メタデータ） (2021-06-14T17:19:44Z)
A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文参考訳（メタデータ） (2021-05-06T17:36:55Z)
Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
論文参考訳（メタデータ） (2021-04-28T22:14:25Z)
ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
論文参考訳（メタデータ） (2021-02-16T04:07:13Z)
Characterization of surface motion patterns in highly deformable soft tissue organs from dynamic MRI: An application to assess 4D bladder motion [0.0]
本研究の目的は, 表面全体を完全に覆うために3次元密度速度測定を行うことである。深呼吸時の膀胱表面動態を解析するためのパイプラインを提案する。
論文参考訳（メタデータ） (2020-10-05T08:38:08Z)
Shape Estimation for Elongated Deformable Object using B-spline Chained Multiple Random Matrices Model [5.94069939063928]
伸縮変形可能な物体の幾何学的特性をモデル化するために, B-スプライン鎖型多元ランダム行列表現を提案する。予測最大化(EM)法は、伸長変形可能な物体の形状を推定するために導出される。提案アルゴリズムは, シナリオ内での伸長変形可能な物体の形状推定に有用である。
論文参考訳（メタデータ） (2020-04-10T21:15:54Z)

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。