論文の概要: Topology-Preserving Loss for Accurate and Anatomically Consistent Cardiac Mesh Reconstruction

• arxiv url: http://arxiv.org/abs/2503.07874v1
• Date: Mon, 10 Mar 2025 21:46:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:45:43.332277
• Title: Topology-Preserving Loss for Accurate and Anatomically Consistent Cardiac Mesh Reconstruction
• Title（参考訳）: 心臓メッシュ再建術におけるトポロジー保存損失の検討
• Authors: Chenyu Zhang, Yihao Luo, Yinzhe Wu, Choon Hwai Yap, Guang Yang,
• Abstract要約: Topology-Preserving Mesh Loss (TPM Loss) は、メッシュ変形中にトポロジ的制約を明示的に強制する新しい損失関数である。 CTおよびMRIデータセットの大規模な実験は、TPMロスがトポロジー違反を最大93.1%減少させることを示している。 これらの結果から,TPMロスは膜透過を効果的に防止し,心筋メッシュの品質を著しく向上させることが示された。
• 参考スコア（独自算出の注目度）: 9.31569858845512
• License:
• Abstract: Accurate cardiac mesh reconstruction from volumetric data is essential for personalized cardiac modeling and clinical analysis. However, existing deformation-based approaches are prone to topological inconsistencies, particularly membrane penetration, which undermines the anatomical plausibility of the reconstructed mesh. To address this issue, we introduce Topology-Preserving Mesh Loss (TPM Loss), a novel loss function that explicitly enforces topological constraints during mesh deformation. By identifying topology-violating points, TPM Loss ensures spatially consistent reconstructions. Extensive experiments on CT and MRI datasets show that TPM Loss reduces topology violations by up to 93.1% while maintaining high segmentation accuracy (DSC: 89.1%-92.9%) and improving mesh fidelity (Chamfer Distance reduction up to 0.26 mm). These results demonstrate that TPM Loss effectively prevents membrane penetration and significantly improves cardiac mesh quality, enabling more accurate and anatomically consistent cardiac reconstructions.
• Abstract（参考訳）: 個別心モデル, 臨床解析には, 容積データからの正確な心メッシュ再構築が不可欠である。 しかし、既存の変形に基づくアプローチは、トポロジカルな不整合、特に膜浸透が、再構成メッシュの解剖学的妥当性を損なう傾向にある。 この問題に対処するために,メッシュ変形時にトポロジ的制約を明示的に強制する新しい損失関数であるトポロジ保存メッシュロス(TPMロス)を導入する。 位相違反点を特定することにより、TPMロスは空間的に一貫した再構成を保証する。 CTおよびMRIデータセットの大規模な実験により、TPMロスは、高いセグメンテーション精度(DSC:89.1%-92.9%)を維持しつつ、トポロジー違反を最大93.1%低減し、メッシュの忠実度(Chamfer Distance reduce to 0.26 mm)を向上させる。 以上の結果から,TPMロスは膜透過を効果的に防止し,心筋網の質を著しく改善し,より正確で解剖学的に一貫した心再建を可能にした。

関連論文リスト

• Learning to Predict Global Atrial Fibrillation Dynamics from Sparse Measurements [71.49601301663651]
  FibMapは、スパース測定からグローバルAFダイナミクスを再構築するグラフリカレントニューラルネットワークモデルである。 51の非接触全アリア記録に基づいてトレーニングされ、検証され、フィブマップは10%の表面カバレッジから全アリアダイナミクスを再構築した。 実世界の接触マッピング記録にFibMapの臨床的有用性を示し,非接触マッピングに匹敵する再現性を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:36:25Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• Mesh-Informed Reduced Order Models for Aneurysm Rupture Risk Prediction [0.0]
  グラフニューラルネットワーク(GNN)は、有限体積(FV)離散化によって得られるメッシュの自然なグラフ構造を利用する。 実験的な検証フレームワークは有望な結果をもたらし,その方法が次元の呪いを克服する有効な代替手段であることを確認した。
  論文  参考訳（メタデータ） (2024-10-04T09:39:15Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Toward Automated Detection of Microbleeds with Anatomical Scale Localization: A Complete Clinical Diagnosis Support Using Deep Learning [7.935250296491891]
  脳微小出血(CMBs)は、脳組織の小さな血液産物の慢性的な沈着物である。 本稿では,CMBを検出するだけでなく,解剖学的位置を知らせる新しい3次元ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-22T16:29:46Z)
• A geometry-aware deep network for depth estimation in monocular endoscopy [17.425158094539462]
  提案手法は,異なるデータセットと臨床画像にまたがって広範囲に検証されている。 提案法の平均RMSE値は12.604(T1-L1)、9.930(T2-L2)、13.893(Colon)である。
  論文  参考訳（メタデータ） (2023-04-20T11:59:32Z)
• Exploring Epipolar Consistency Conditions for Rigid Motion Compensation in In-vivo X-ray Microscopy [3.6741311433177484]
  歯肉内X線顕微鏡(Intravital X-ray microscopy, XRM)は, 骨の微細構造変化の同定に重要である。 この方法の複雑さは、マウスの骨の高品質な3D再構成の必要性に起因している。 遠位偏極性条件 (ECC) を用いた運動補償は, 臨床CTでは有意な成績を示した。
  論文  参考訳（メタデータ） (2023-03-01T12:18:03Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• Steerable Pyramid Transform Enables Robust Left Ventricle Quantification [24.186574235693826]
  左室定量化(LV)のためのロバストモデル学習法について述べる。 我々の成功は、固定されたフロントエンド処理に生物学的にインスパイアされたステアブルピラミッド変換(SPT)を採用することにある。 我々のSPT拡張モデルは、最先端の手法に比べて合理的な予測精度を達成するだけでなく、入力摂動に対する堅牢性も著しく向上している。
  論文  参考訳（メタデータ） (2022-01-20T06:09:56Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。