Fugu-MT 論文翻訳(概要): Boosting 3D Liver Shape Datasets with Diffusion Models and Implicit Neural Representations

論文の概要: Boosting 3D Liver Shape Datasets with Diffusion Models and Implicit Neural Representations

arxiv url: http://arxiv.org/abs/2504.19402v1
Date: Mon, 28 Apr 2025 00:56:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:54.275784
Title: Boosting 3D Liver Shape Datasets with Diffusion Models and Implicit Neural Representations
Title（参考訳）: 拡散モデルと含意神経表現を用いた3次元肝形状データセットの構築
Authors: Khoa Tuan Nguyen, Francesca Tozzi, Wouter Willaert, Joris Vankerschaver, Nikdokht Rashidian, Wesley De Neve,
Abstract要約: 既存のデータセットを拡張・拡張するために、拡散モデルと暗黙のニューラル表現(INR)を組み合わせたソリューションを提案する。提案手法は, 拡散モデルの生成能力を利用して, 現実的で多様な3次元肝臓形状を創出する。
参考スコア（独自算出の注目度）: 0.7106122418396085
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: While the availability of open 3D medical shape datasets is increasing, offering substantial benefits to the research community, we have found that many of these datasets are, unfortunately, disorganized and contain artifacts. These issues limit the development and training of robust models, particularly for accurate 3D reconstruction tasks. In this paper, we examine the current state of available 3D liver shape datasets and propose a solution using diffusion models combined with implicit neural representations (INRs) to augment and expand existing datasets. Our approach utilizes the generative capabilities of diffusion models to create realistic, diverse 3D liver shapes, capturing a wide range of anatomical variations and addressing the problem of data scarcity. Experimental results indicate that our method enhances dataset diversity, providing a scalable solution to improve the accuracy and reliability of 3D liver reconstruction and generation in medical applications. Finally, we suggest that diffusion models can also be applied to other downstream tasks in 3D medical imaging.
Abstract（参考訳）: オープンな3D医療形状データセットの可用性は増加しており、研究コミュニティにかなりの恩恵をもたらしていますが、これらのデータセットの多くは、残念なことに、非組織的で、アーティファクトを含んでいます。これらの問題は、特に正確な3次元再構成タスクにおいて、ロバストモデルの開発と訓練を制限する。本稿では, 利用可能な3次元肝形状データセットの現状について検討し, 既存のデータセットを拡張・拡張するために, 暗黙的神経表現(INR)と組み合わせた拡散モデルを用いた解を提案する。提案手法は, 拡散モデルの生成能力を利用して, 現実的で多様な3次元肝臓形状を創出し, 幅広い解剖学的変化を捉え, データの不足問題に対処する。実験の結果,本手法はデータセットの多様性を向上し,医療応用における3次元肝再建・再生の精度と信頼性を向上させるスケーラブルなソリューションを提供することが示された。最後に、3次元医用画像における他の下流タスクにも拡散モデルを適用することができることを示唆する。

関連論文リスト

Introducing 3D Representation for Medical Image Volume-to-Volume Translation via Score Fusion [3.3559609260669303]
Score-Fusionは、垂直に訓練された2次元拡散モデルをスコア関数空間に組み込むことで、3次元表現を効果的に学習する新しいボリューム変換モデルである。 Score-Fusionは,3次元医用画像の高分解能・モダリティ変換において,高い精度と容積忠実性が得られることを示す。
論文参考訳（メタデータ） (2025-01-13T15:54:21Z)
Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
論文参考訳（メタデータ） (2024-12-30T01:59:34Z)
Diffusion Models in 3D Vision: A Survey [18.805222552728225]
3Dビジョンはコンピュータビジョンにおいて重要な分野となり、自律運転、ロボット工学、拡張現実、医療画像などの幅広い応用に力を入れている。本稿では,3次元オブジェクト生成,形状完備化,点雲再構成,シーン構築など,三次元視覚タスクに拡散モデルを用いる最先端の手法について概説する。計算効率の向上,マルチモーダル融合の強化,大規模事前学習による3次元タスクの一般化の促進など,潜在的なソリューションについて議論する。
論文参考訳（メタデータ） (2024-10-07T04:12:23Z)
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)
VolumeDiffusion: Flexible Text-to-3D Generation with Efficient Volumetric Encoder [56.59814904526965]
本稿では,テキストから3D生成のための先駆的な3Dエンコーダを提案する。マルチビュー画像から特徴ボリュームを効率よく取得する軽量ネットワークを開発した。 3Dボリュームは、3D U-Netを使用してテキストから3D生成のための拡散モデルに基づいて訓練される。
論文参考訳（メタデータ） (2023-12-18T18:59:05Z)
Three-dimensional Bone Image Synthesis with Generative Adversarial Networks [2.499907423888049]
本研究は,高分解能医用量を生成するために,3次元生成対向ネットワーク(GAN)を効率的に訓練できることを実証する。 GANインバージョンは3次元設定のために実装され、モデル解釈可能性に関する広範な研究に使用される。
論文参考訳（メタデータ） (2023-10-26T08:08:17Z)
IT3D: Improved Text-to-3D Generation with Explicit View Synthesis [71.68595192524843]
本研究では、これらの問題に対処するために、明示的に合成されたマルチビュー画像を活用する新しい戦略を提案する。我々のアプローチは、高画質画像を生成するために、LCDによって強化されたイメージ・ツー・イメージ・パイプラインを活用することである。組込み判別器では、合成したマルチビュー画像は実データと見なされ、最適化された3Dモデルのレンダリングは偽データとして機能する。
論文参考訳（メタデータ） (2023-08-22T14:39:17Z)
3D Neural Field Generation using Triplane Diffusion [37.46688195622667]
ニューラルネットワークの3次元認識のための効率的な拡散ベースモデルを提案する。当社のアプローチでは,ShapeNetメッシュなどのトレーニングデータを,連続的占有フィールドに変換することによって前処理する。本論文では,ShapeNetのオブジェクトクラスにおける3D生成の現状について述べる。
論文参考訳（メタデータ） (2022-11-30T01:55:52Z)
Deep Generative Models on 3D Representations: A Survey [81.73385191402419]
生成モデルは、新しいインスタンスを生成することによって観測データの分布を学習することを目的としている。最近、研究者は焦点を2Dから3Dにシフトし始めた。 3Dデータの表現は、非常に大きな課題をもたらします。
論文参考訳（メタデータ） (2022-10-27T17:59:50Z)
Improved $\alpha$-GAN architecture for generating 3D connected volumes with an application to radiosurgery treatment planning [0.5156484100374059]
接続された3Dボリュームを生成するための3D$alpha$-GANの改良版を提案する。我々のモデルは高品質な3D腫瘍ボリュームとそれに伴う治療仕様をうまく生成できる。改良された3D$alpha$-GANは、合成医用画像データを生成する貴重な情報源となる。
論文参考訳（メタデータ） (2022-07-13T16:39:47Z)
Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文参考訳（メタデータ） (2021-01-14T03:45:01Z)

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。