論文の概要: DVasMesh: Deep Structured Mesh Reconstruction from Vascular Images for Dynamics Modeling of Vessels

• arxiv url: http://arxiv.org/abs/2412.00840v1
• Date: Sun, 01 Dec 2024 15:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:42:44.931039
• Title: DVasMesh: Deep Structured Mesh Reconstruction from Vascular Images for Dynamics Modeling of Vessels
• Title（参考訳）: DVasMesh: 血管のダイナミクスモデリングのための血管画像からの深部構造メッシュ再構築
• Authors: Dengqiang Jia, Xinnian Yang, Xiaosong Xiong, Shijie Huang, Feiyu Hou, Li Qin, Kaicong Sun, Kannie Wai Yan Chan, Dinggang Shen,
• Abstract要約: 血管動態シミュレーションは、幾何学と血管疾患の進行との関係を研究する上で不可欠である。信頼性の高い力学シミュレーションは、高品質な血管メッシュに依存している。 既存のメッシュ生成メソッドのほとんどは手作業によるアノテーションに大きく依存しています。 そこで本研究では,DVasMeshと呼ばれる深層学習に基づく血管画像からヘキサヘドラルな血管メッシュを直接生成する手法を提案する。
• 参考スコア（独自算出の注目度）: 33.69621458523397
• License:
• Abstract: Vessel dynamics simulation is vital in studying the relationship between geometry and vascular disease progression. Reliable dynamics simulation relies on high-quality vascular meshes. Most of the existing mesh generation methods highly depend on manual annotation, which is time-consuming and laborious, usually facing challenges such as branch merging and vessel disconnection. This will hinder vessel dynamics simulation, especially for the population study. To address this issue, we propose a deep learning-based method, dubbed as DVasMesh to directly generate structured hexahedral vascular meshes from vascular images. Our contributions are threefold. First, we propose to formally formulate each vertex of the vascular graph by a four-element vector, including coordinates of the centerline point and the radius. Second, a vectorized graph template is employed to guide DVasMesh to estimate the vascular graph. Specifically, we introduce a sampling operator, which samples the extracted features of the vascular image (by a segmentation network) according to the vertices in the template graph. Third, we employ a graph convolution network (GCN) and take the sampled features as nodes to estimate the deformation between vertices of the template graph and target graph, and the deformed graph template is used to build the mesh. Taking advantage of end-to-end learning and discarding direct dependency on annotated labels, our DVasMesh demonstrates outstanding performance in generating structured vascular meshes on cardiac and cerebral vascular images. It shows great potential for clinical applications by reducing mesh generation time from 2 hours (manual) to 30 seconds (automatic).
• Abstract（参考訳）: 血管動態シミュレーションは、幾何学と血管疾患の進行との関係を研究する上で不可欠である。 信頼性のある力学シミュレーションは高品質な血管メッシュに依存している。 既存のメッシュ生成メソッドの多くは、時間と労力を要する手動アノテーションに大きく依存しており、通常はブランチマージや血管切断といった課題に直面している。 これにより、特に人口調査において、容器力学のシミュレーションが妨げられる。 そこで本研究では,DVasMeshと呼ばれる深層学習に基づく,血管画像から構造化ヘキサヘドラル血管メッシュを直接生成する手法を提案する。 私たちの貢献は3倍です。 まず,中心点と半径の座標を含む4要素ベクトルを用いて,血管グラフの各頂点を公式に定式化することを提案する。 次に、ベクトル化グラフテンプレートを使用してDVasMeshを誘導し、血管グラフを推定する。 具体的には,テンプレートグラフの頂点に従って,血管画像の特徴を抽出するサンプリング演算子(セグメンテーションネットワーク)を提案する。 第3に、グラフ畳み込みネットワーク(GCN)を用いて、サンプル特徴をノードとして、テンプレートグラフとターゲットグラフの頂点間の変形を推定し、デフォルメグラフテンプレートを用いてメッシュを構築する。 我々のDVasMeshは、エンドツーエンドの学習とアノテートラベルへの直接的な依存を活かして、心血管画像と脳血管画像に構築された血管メッシュを生成する際、優れた性能を示す。 メッシュ生成時間を2時間(手動)から30秒(自動)に短縮することで、臨床応用に大きな可能性を示す。

関連論文リスト

• IFH: a Diffusion Framework for Flexible Design of Graph Generative Models [53.219279193440734]
  グラフ生成モデルは,1行にグラフを生成するワンショットモデルと,ノードとエッジの連続的な付加によるグラフを生成するシーケンシャルモデルという,2つの顕著なファミリーに分類される。 本稿では,逐次度を規定するグラフ生成モデルであるInsert-Fill-Halt(IFH)を提案する。
  論文  参考訳（メタデータ） (2024-08-23T16:24:40Z)
• 3D Vessel Graph Generation Using Denoising Diffusion [4.100929120985704]
  血管ネットワークは3Dグラフとして表現され、疾患のバイオマーカーの予測、血流のシミュレート、合成画像生成の助けとなる。 船体木の生成を目的とした従来手法は, 主に自己回帰型であり, キャピラリーなどの周期を持つ船体グラフには適用できなかった。 本稿では,3次元血管グラフ生成におけるテキストデノナイズ拡散モデルの最初の応用について紹介する。
  論文  参考訳（メタデータ） (2024-07-08T11:39:21Z)
• Predictive Modeling with Temporal Graphical Representation on Electronic Health Records [8.996666837088311]
  患者のERHの効果的な表現は、歴史的訪問と医療イベントの時間的関係の両方を包含すべきである。 我々は,患者のERHを新しい時間的異種グラフとしてモデル化する。 医療イベントノードから訪問ノードへの構造化情報を伝達し、タイムアウェアな訪問ノードを使用して患者の健康状態の変化をキャプチャする。
  論文  参考訳（メタデータ） (2024-05-07T02:05:30Z)
• Encoding Surgical Videos as Latent Spatiotemporal Graphs for Object and Anatomy-Driven Reasoning [2.9724186623561435]
  時間とともに構成解剖学的構造やツールの観点から,手術ビデオを表すために潜時グラフを用いた。 本稿では,事前知識の時間的コヒーレンスを取り入れたグラフ編集モジュールを提案する。
  論文  参考訳（メタデータ） (2023-12-11T20:42:27Z)
• Backbone-based Dynamic Graph Spatio-Temporal Network for Epidemic Forecasting [3.382729969842304]
  正確な流行予測は伝染病の予防に重要な課題である。 多くのディープラーニングベースのモデルは、空間情報を構築する際に静的グラフや動的グラフにのみフォーカスする。 バックボーンに基づく動的グラフ時空間ネットワーク(BDGSTN)という新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-01T10:34:03Z)
• TranSG: Transformer-Based Skeleton Graph Prototype Contrastive Learning with Structure-Trajectory Prompted Reconstruction for Person Re-Identification [63.903237777588316]
  3Dスケルトンデータによる人物再識別(re-ID)は、顕著な優位性を持つ新興トピックである。 既存の方法は通常、生の関節を持つ骨格記述子を設計するか、あるいは骨格配列表現学習を行う。 本稿では,構造軌道を誘導する再構成によるコントラスト学習(TranSG)手法を提案する。
  論文  参考訳（メタデータ） (2023-03-13T02:27:45Z)
• TetCNN: Convolutional Neural Networks on Tetrahedral Meshes [2.952111139469156]
  畳み込みニューラルネットワーク(CNN)は、画像、ビデオ、グラフ、三角形メッシュで広く研究されている。 四面体メッシュ構造のための新しい解釈可能なグラフCNNフレームワークを提案する。 ChebyNetにインスパイアされた当社のモデルは,LBO(ボリュームラプラス・ベルトラミ演算子)を用いて,一般的に使用されているグラフラプラシアン上のフィルタを定義する。
  論文  参考訳（メタデータ） (2023-02-08T01:52:48Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Graph-in-Graph (GiG): Learning interpretable latent graphs in non-Euclidean domain for biological and healthcare applications [52.65389473899139]
  グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。 近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。 タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
  論文  参考訳（メタデータ） (2022-04-01T10:01:37Z)

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。