論文の概要: Two-Stage Generative Model for Intracranial Aneurysm Meshes with Morphological Marker Conditioning

• arxiv url: http://arxiv.org/abs/2505.10407v1
• Date: Thu, 15 May 2025 15:30:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-16 22:29:06.385439
• Title: Two-Stage Generative Model for Intracranial Aneurysm Meshes with Morphological Marker Conditioning
• Title（参考訳）: 形態的マーカー条件付き頭蓋内大動脈瘤メッシュの2段階生成モデル
• Authors: Wenhao Ding, Choon Hwai Yap, Kangjun Ji, Simão Castro,
• Abstract要約: 頭蓋内動脈瘤(IA)のメッシュ形状の生成モデルは,リアルタイムに血流量を予測するためのトレーニングネットワークにとって重要である。 本稿では,2段階可変オートエンコーダ(VAE)を用いたIAメッシュジェネレータAneuGを提案する。
• 参考スコア（独自算出の注目度）: 5.424055089770432
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: A generative model for the mesh geometry of intracranial aneurysms (IA) is crucial for training networks to predict blood flow forces in real time, which is a key factor affecting disease progression. This need is necessitated by the absence of a large IA image datasets. Existing shape generation methods struggle to capture realistic IA features and ignore the relationship between IA pouches and parent vessels, limiting physiological realism and their generation cannot be controlled to have specific morphological measurements. We propose AneuG, a two-stage Variational Autoencoder (VAE)-based IA mesh generator. In the first stage, AneuG generates low-dimensional Graph Harmonic Deformation (GHD) tokens to encode and reconstruct aneurysm pouch shapes, constrained to morphing energy statistics truths. GHD enables more accurate shape encoding than alternatives. In the second stage, AneuG generates parent vessels conditioned on GHD tokens, by generating vascular centreline and propagating the cross-section. AneuG's IA shape generation can further be conditioned to have specific clinically relevant morphological measurements. This is useful for studies to understand shape variations represented by clinical measurements, and for flow simulation studies to understand effects of specific clinical shape parameters on fluid dynamics. Source code and implementation details are available at https://github.com/anonymousaneug/AneuG.
• Abstract（参考訳）: 頭蓋内動脈瘤 (IA) のメッシュ形状の生成モデルは, 疾患進行に影響を及ぼす重要な要因である, リアルタイムに血流量を予測するためのトレーニングネットワークにとって重要である。 このニーズは、大きなIA画像データセットがないために必要となる。 既存の形状生成法では、IAポーチと親血管の関係を無視し、生理的リアリズムを制限し、その生成を特定の形態計測に制御することはできない。 本稿では,2段階可変オートエンコーダ(VAE)を用いたIAメッシュジェネレータであるAneuGを提案する。 最初の段階では、AneuGは低次元グラフ高調波変形(GHD)トークンを生成し、エネルギー統計の真理に制約された大動脈瘤のポーチ形状を符号化し再構成する。 GHDは代替品よりも正確な形状の符号化を可能にする。 第2段階では、AneuGは血管中心線を生成し、断面を伝播することにより、GHDトークンに条件付けられた親血管を生成する。 AneuGのIA形状生成はさらに、特定の臨床的に関連する形態学的測定を持つように条件付けることができる。 これは臨床測定で表される形状変化を理解する研究や、流体力学における特定の臨床形状パラメータの影響を理解するためのフローシミュレーション研究に有用である。 ソースコードと実装の詳細はhttps://github.com/anonymousaneug/AneuG.comで確認できる。

関連論文リスト

• Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
  ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。 本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T07:14:25Z)
• Geometry-Aware Latent Representation Learning for Modeling Disease Progression of Barrett's Esophagus [0.0]
  Barrett's Esophagus(BE)は食道腺癌(EAC)の唯一の前駆体である 変分オートエンコーダ(VAE)による教師なし表現学習は、将来性を示す。 VAEは入力データを有用な特徴しか持たない低次元多様体にマッピングする。 $mathcalS$-VAEは、バニラVAEよりも優れたリコンストラクション損失、表現分類精度、高品質な生成画像でパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-03-17T14:08:16Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule Augmentation and Detection [52.93342510469636]
  肺癌早期検診では胸部X線像の肺結節検出が一般的である。 ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。 このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
  論文  参考訳（メタデータ） (2022-07-19T16:38:48Z)
• CASHformer: Cognition Aware SHape Transformer for Longitudinal Analysis [3.7814216736076434]
  CASHformerはアルツハイマー病の縦方向の軌跡をモデル化するためのトランスフォーマーベースのフレームワークである。 元のモデルに関して、パラメータの数を90%以上削減します。 提案手法と比較すると,CASHformerは再建誤差を73%削減できることがわかった。
  論文  参考訳（メタデータ） (2022-07-05T14:50:21Z)
• Modeling and hexahedral meshing of cerebral arterial networks from centerlines [0.0]
  中心線に基づく表現は、小さな血管を持つ大きな血管ネットワークをモデル化するために広く用いられている。 中心線からCFDに適した構造を持つヘキサヘドラルメッシュを自動生成する手法を提案する。 我々は60の脳血管ネットワークのデータセットを網羅し,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-01-20T16:30:17Z)
• Modeling and Predicting Blood Flow Characteristics through Double Stenosed Artery from CFD simulation using Deep Learning Models [0.0]
  我々は、単純化された二重狭窄動脈モデルのCFDシミュレーションにより生成されたデータセットを用いて、深層学習モデルを訓練し、血流特性を学習し、予測する。 一般化された単純化されたモデルの観点から、制限された首の幾何学的表現が提案され、以前の仮定よりも優れていた。
  論文  参考訳（メタデータ） (2021-12-04T11:16:28Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Bilateral Asymmetry Guided Counterfactual Generating Network for Mammogram Classification [48.4619620405991]
  画像レベルのラベルのみによるマンモグラムの良性や悪性の分類は,病変アノテーションが欠如しているため困難である。 画像に病変がなければ, 特徴がどのように振る舞うかという, 反現実的な問題を探ることができる。 我々は、対称的先行性に基づく反事実生成のための新しい理論的結果を得る。
  論文  参考訳（メタデータ） (2020-09-30T03:15:30Z)

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。