論文の概要: From Pixels to Polygons: A Survey of Deep Learning Approaches for Medical Image-to-Mesh Reconstruction
- arxiv url: http://arxiv.org/abs/2505.03599v1
- Date: Tue, 06 May 2025 15:01:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-07 18:50:11.440097
- Title: From Pixels to Polygons: A Survey of Deep Learning Approaches for Medical Image-to-Mesh Reconstruction
- Title（参考訳）: 画像から多角形へ:医用画像からメッシュ画像への深層学習手法の検討
- Authors: Fengming Lin, Arezoo Zakeri, Yidan Xue, Michael MacRaild, Haoran Dou, Zherui Zhou, Ziwei Zou, Ali Sarrami-Foroushani, Jinming Duan, Alejandro F. Frangi,
- Abstract要約: この調査は、既存のアプローチを、テンプレートモデル、統計モデル、生成モデル、暗黙モデルという4つの主要なカテゴリに体系的に分類する。
心臓画像から神経学的研究まで,様々な解剖学的応用にまたがって,これらの手法を広範囲に評価する。
この調査は、トポロジカルな正しさ、幾何的精度、マルチモーダリティ統合の要件を含む、この分野における現在の課題を明らかにしている。
- 参考スコア（独自算出の注目度）: 38.67693323186832
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based medical image-to-mesh reconstruction has rapidly evolved, enabling the transformation of medical imaging data into three-dimensional mesh models that are critical in computational medicine and in silico trials for advancing our understanding of disease mechanisms, and diagnostic and therapeutic techniques in modern medicine. This survey systematically categorizes existing approaches into four main categories: template models, statistical models, generative models, and implicit models. Each category is analysed in detail, examining their methodological foundations, strengths, limitations, and applicability to different anatomical structures and imaging modalities. We provide an extensive evaluation of these methods across various anatomical applications, from cardiac imaging to neurological studies, supported by quantitative comparisons using standard metrics. Additionally, we compile and analyze major public datasets available for medical mesh reconstruction tasks and discuss commonly used evaluation metrics and loss functions. The survey identifies current challenges in the field, including requirements for topological correctness, geometric accuracy, and multi-modality integration. Finally, we present promising future research directions in this domain. This systematic review aims to serve as a comprehensive reference for researchers and practitioners in medical image analysis and computational medicine.
- Abstract（参考訳）: 深層学習に基づく医用画像からミーシュ画像への再構成は急速に進展し,医療画像データの3次元メッシュモデルへの変換が可能となった。
この調査は、既存のアプローチを、テンプレートモデル、統計モデル、生成モデル、暗黙モデルという4つの主要なカテゴリに体系的に分類する。
それぞれのカテゴリは、それぞれの方法論の基礎、強度、限界、異なる解剖学的構造や画像のモダリティに対する適用性について詳細に分析されている。
本研究は, 心臓画像から神経学的研究まで, 様々な解剖学的応用におけるこれらの手法の広範な評価を, 標準指標を用いた定量的比較によって支援する。
さらに、医用メッシュ再構築タスクで利用可能な主要な公開データセットのコンパイルと解析を行い、一般的に使用されている評価指標と損失関数について議論する。
この調査は、トポロジカルな正しさ、幾何的精度、マルチモーダリティ統合の要件を含む、この分野における現在の課題を明らかにしている。
最後に,本領域における今後の研究方針について述べる。
この体系的なレビューは、医用画像分析と計算医学における研究者や実践者の包括的参照として機能することを目的としている。
関連論文リスト
- A 3D Facial Reconstruction Evaluation Methodology: Comparing Smartphone Scans with Deep Learning Based Methods Using Geometry and Morphometry Criteria [60.865754842465684]
3次元顔形状解析は臨床応用の可能性から注目されている。
高度な3D顔認証システムの高コスト化は、その普及を制限し、低コストな取得と再構築方法の開発を推進している。
本研究では,形態素形状解析技術を統合することで,従来の幾何学的ベンチマークを超える新しい評価手法を提案する。
論文 参考訳（メタデータ） (2025-02-13T15:47:45Z) - A Comprehensive Review of U-Net and Its Variants: Advances and Applications in Medical Image Segmentation [0.0]
本稿では, 画像モダリティに基づいて医用画像データセットを分類し, U-Netとその各種改善モデルについて検討する。
U-NetとU-Netの変種アルゴリズムの4つの中心的改善機構を要約する。
今後の進歩に向けた潜在的な道筋と戦略を提案する。
論文 参考訳（メタデータ） (2025-02-09T13:11:51Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - Foundational Models in Medical Imaging: A Comprehensive Survey and
Future Vision [6.2847894163744105]
ファンデーションモデルは、広範囲の下流タスクに適応した大規模で事前訓練されたディープラーニングモデルである。
これらのモデルは、コンテキスト推論、一般化、テスト時の迅速な機能を促進する。
コンピュータビジョンの進歩に乗じて、医療画像はこれらのモデルへの関心も高まっている。
論文 参考訳（メタデータ） (2023-10-28T12:08:12Z) - MedFMC: A Real-world Dataset and Benchmark For Foundation Model
Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。
最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。
しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文 参考訳（メタデータ） (2023-06-16T01:46:07Z) - Explainable Deep Learning Methods in Medical Image Classification: A
Survey [0.0]
最先端のディープラーニングモデルは、異なるタイプの医療データの分類において、人間レベルの精度を達成した。
これらのモデルは、主に解釈可能性の欠如のために、臨床ではほとんど採用されていない。
ディープラーニングモデルのブラックボックス性は、これらのモデルの意思決定プロセスを説明するための戦略を考案する必要性を高めている。
論文 参考訳（メタデータ） (2022-05-10T09:28:14Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z) - Benchmarking off-the-shelf statistical shape modeling tools in clinical
applications [53.47202621511081]
我々は、広く使われている最先端のSSMツールの結果を体系的に評価する。
解剖学的ランドマーク/計測推測および病変スクリーニングのための検証フレームワークを提案する。
ShapeWorks と Deformetrica の形状モデルは臨床的に関連する集団レベルの変動を捉えている。
論文 参考訳（メタデータ） (2020-09-07T03:51:35Z)
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。