論文の概要: MedTet: An Online Motion Model for 4D Heart Reconstruction

• arxiv url: http://arxiv.org/abs/2412.02589v1
• Date: Tue, 03 Dec 2024 17:18:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:44:16.781115
• Title: MedTet: An Online Motion Model for 4D Heart Reconstruction
• Title（参考訳）: MedTet:4D心臓再建のためのオンラインモーションモデル
• Authors: Yihong Chen, Jiancheng Yang, Deniz Sayin Mercadier, Hieu Le, Pascal Fua,
• Abstract要約: 本研究は, 術後の軽度データから3次元心臓運動を再構築するための新しいアプローチを提案する。 既存の方法では、フル3次元の体積像から3次元の臓器のジオメトリーを正確に再構築することができる。 このような部分的データから3次元運動を再構築するための汎用的なフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 59.74234226055964
• License:
• Abstract: We present a novel approach to reconstruction of 3D cardiac motion from sparse intraoperative data. While existing methods can accurately reconstruct 3D organ geometries from full 3D volumetric imaging, they cannot be used during surgical interventions where usually limited observed data, such as a few 2D frames or 1D signals, is available in real-time. We propose a versatile framework for reconstructing 3D motion from such partial data. It discretizes the 3D space into a deformable tetrahedral grid with signed distance values, providing implicit unlimited resolution while maintaining explicit control over motion dynamics. Given an initial 3D model reconstructed from pre-operative full volumetric data, our system, equipped with an universal observation encoder, can reconstruct coherent 3D cardiac motion from full 3D volumes, a few 2D MRI slices or even 1D signals. Extensive experiments on cardiac intervention scenarios demonstrate our ability to generate plausible and anatomically consistent 3D motion reconstructions from various sparse real-time observations, highlighting its potential for multimodal cardiac imaging. Our code and model will be made available at https://github.com/Scalsol/MedTet.
• Abstract（参考訳）: 本研究は, 術後の軽度データから3次元心臓運動を再構築するための新しいアプローチを提案する。 既存の方法では、完全な3Dボリューム画像から正確に3D臓器のジオメトリを再構築することができるが、いくつかの2Dフレームや1D信号など、通常観測される限られたデータがリアルタイムで利用できるような外科手術では使用できない。 このような部分的データから3次元運動を再構築するための汎用的なフレームワークを提案する。 3次元空間を、符号付き距離値を持つ変形可能な四面体格子に分解し、暗黙の無限解像度を提供するとともに、運動力学の明示的な制御を維持する。 術前のフルボリュームデータから再構成された初期3Dモデルを考えると,全3Dボリューム,数個のMRIスライス,さらには1D信号からコヒーレントな3D心臓運動を再構築することができる。 心臓の介入シナリオに関する広範囲な実験は、様々なスペアなリアルタイム観察から、プラウシブルで解剖学的に整合した3次元運動再構成を生成できることを示し、マルチモーダル心電図の可能性を浮き彫りにした。 私たちのコードとモデルはhttps://github.com/Scalsol/MedTet.comで公開されます。

関連論文リスト

• Learning Volumetric Neural Deformable Models to Recover 3D Regional Heart Wall Motion from Multi-Planar Tagged MRI [5.166584704137271]
  ボリューム型ニューラルデフォルマブルモデル(upsilon$NDMs)を新たに導入する。 我々の$upsilon$NDMは、低次元大域的変形パラメータ関数のセットを通して、心臓壁の形状と動きを表す。 我々は3次元局所心壁運動データセットの大規模なコホート実験を行った。
  論文  参考訳（メタデータ） (2024-11-21T19:43:20Z)
• DuoLift-GAN:Reconstructing CT from Single-view and Biplanar X-Rays with Generative Adversarial Networks [1.3812010983144802]
  本稿では,DuoLift Generative Adversarial Networks (DuoLift-GAN)を紹介する。 これらの3D出力は統合された3D特徴マップにマージされ、完全な3D胸部ボリュームにデコードされ、よりリッチな3D情報キャプチャを可能にする。
  論文  参考訳（メタデータ） (2024-11-12T17:11:18Z)
• Head Pose Estimation and 3D Neural Surface Reconstruction via Monocular Camera in situ for Navigation and Safe Insertion into Natural Openings [4.592222359553848]
  我々は、ベースプラットフォームとして3Dスライダを選択し、センサーとしてモノクルカメラを使用しました。 神経放射場(NeRF)アルゴリズムを用いて頭部の3次元モデル再構成を行った。 個々の頭部ポーズは、シングルカメラビジョンによって取得され、リアルタイムで3Dスライダ内で生成されたシーンに送信される。
  論文  参考訳（メタデータ） (2024-06-18T20:42:09Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• MinD-3D: Reconstruct High-quality 3D objects in Human Brain [50.534007259536715]
  Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3次元視覚を再構成するための革新的なタスクである。 このデータセットは14人の参加者のデータを含み、3Dオブジェクトの360度ビデオが特徴である。 我々は,脳の3次元視覚情報をfMRI信号から復号化するための,新規で効果的な3段階フレームワークMinD-3Dを提案する。
  論文  参考訳（メタデータ） (2023-12-12T18:21:36Z)
• Farm3D: Learning Articulated 3D Animals by Distilling 2D Diffusion [67.71624118802411]
  本稿では,カテゴリー固有の3D再構成器の学習方法であるFarm3Dについて述べる。 本稿では,Stable Diffusion などの画像生成装置を用いて,合成学習データを生成するフレームワークを提案する。 我々のネットワークは、単分子再構成や合成などの分析に利用でき、ビデオゲームのようなリアルタイムアプリケーションのための音響資産を生成することができる。
  論文  参考訳（メタデータ） (2023-04-20T17:59:34Z)
• DeepRecon: Joint 2D Cardiac Segmentation and 3D Volume Reconstruction via A Structure-Specific Generative Method [12.26150675728958]
  本稿では,複数の臨床的に不可欠な結果を生成する,エンドツーエンドの潜在空間ベースのフレームワークであるDeepReconを提案する。 本手法は,心構造に対する正確な意味情報を含むシネ画像の最適潜時表現を同定する。 特に,本モデルでは,正確な意味情報と心構造のセグメンテーションを併用して合成画像を生成する。
  論文  参考訳（メタデータ） (2022-06-14T20:46:11Z)
• MoCaNet: Motion Retargeting in-the-wild via Canonicalization Networks [77.56526918859345]
  そこで本研究では,制御された環境から3次元動作タスクを実現する新しいフレームワークを提案する。 モーションキャプチャシステムや3D再構成手順を使わずに、2Dモノクロ映像のキャラクタから3Dキャラクタへの体動を可能にする。
  論文  参考訳（メタデータ） (2021-12-19T07:52:05Z)
• DensePose 3D: Lifting Canonical Surface Maps of Articulated Objects to the Third Dimension [71.71234436165255]
  DensePose 3Dは2次元画像アノテーションのみから弱い教師付きで再構築を学習できる手法である。 3Dスキャンを必要としないため、DensePose 3Dは異なる動物種などの幅広いカテゴリーの学習に利用できる。 我々は,人間と動物のカテゴリーの合成データと実データの両方をベースラインとして,最先端の非剛体構造と比較し,顕著な改善を示した。
  論文  参考訳（メタデータ） (2021-08-31T18:33:55Z)
• 3D Probabilistic Segmentation and Volumetry from 2D projection images [10.32519161805588]
  X線撮影は迅速で安価で、最前線のケアアセスメントや術中リアルタイムイメージングに有用である。 プロジェクティブな情報損失に悩まされており、多くの診断バイオマーカーがベースとなっている重要な情報を欠いている。 本稿では,2次元画像モダリティから3次元容積像を再構成する確率的手法について検討する。
  論文  参考訳（メタデータ） (2020-06-23T08:00:51Z)

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。