論文の概要: Deformable registration and generative modelling of aortic anatomies by auto-decoders and neural ODEs

• arxiv url: http://arxiv.org/abs/2506.00947v1
• Date: Sun, 01 Jun 2025 10:30:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.235289
• Title: Deformable registration and generative modelling of aortic anatomies by auto-decoders and neural ODEs
• Title（参考訳）: オートデコーダとニューラル・オードによる大動脈解剖の変形性登録と生成モデル
• Authors: Riccardo Tenderini, Luca Pegolotti, Fanwei Kong, Stefano Pagani, Francesco Regazzoni, Alison L. Marsden, Simone Deparis,
• Abstract要約: 本研究は, 形状登録のための深層学習モデルであるAD-SVFDを導入する。 AD-SVFDの特徴的な特徴はオートデコーダ構造であり、形状コホートをまたいだ一般化を可能にし、効率的な重量共有を好んでいる。 新しい解剖学は、潜在空間から適切にサンプリングし、対応する逆変換を基準幾何学に適用することで合成することができる。
• 参考スコア（独自算出の注目度）: 4.299467172990462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work introduces AD-SVFD, a deep learning model for the deformable registration of vascular shapes to a pre-defined reference and for the generation of synthetic anatomies. AD-SVFD operates by representing each geometry as a weighted point cloud and models ambient space deformations as solutions at unit time of ODEs, whose time-independent right-hand sides are expressed through artificial neural networks. The model parameters are optimized by minimizing the Chamfer Distance between the deformed and reference point clouds, while backward integration of the ODE defines the inverse transformation. A distinctive feature of AD-SVFD is its auto-decoder structure, that enables generalization across shape cohorts and favors efficient weight sharing. In particular, each anatomy is associated with a low-dimensional code that acts as a self-conditioning field and that is jointly optimized with the network parameters during training. At inference, only the latent codes are fine-tuned, substantially reducing computational overheads. Furthermore, the use of implicit shape representations enables generative applications: new anatomies can be synthesized by suitably sampling from the latent space and applying the corresponding inverse transformations to the reference geometry. Numerical experiments, conducted on healthy aortic anatomies, showcase the high-quality results of AD-SVFD, which yields extremely accurate approximations at competitive computational costs.
• Abstract（参考訳）: 本研究は、血管形状の変形可能な登録と合成解剖学の生成のためのディープラーニングモデルであるAD-SVFDを紹介する。 AD-SVFDは、各幾何学を重み付き点雲として表現し、周囲空間の変形をODEの単位時間における解としてモデル化する。 モデルパラメータは変形点雲と参照点雲の間のチャンファー距離を最小化することで最適化され、ODEの後方統合は逆変換を定義する。 AD-SVFDの特徴的な特徴はオートデコーダ構造であり、形状コホートをまたいだ一般化を可能にし、効率的な重量共有を好んでいる。 特に、各解剖学は、自己条件フィールドとして機能し、訓練中にネットワークパラメータと共同最適化される低次元コードと関連付けられている。 推論では、潜在符号のみを微調整し、計算オーバーヘッドを大幅に削減する。 新たな解剖学は、潜在空間から適切にサンプリングし、対応する逆変換を基準幾何学に適用することで合成することができる。 健康な大動脈解剖学で行った数値実験では、AD-SVFDの高品質な結果が示され、競争計算コストにおいて極めて正確な近似が得られる。

関連論文リスト

• Full-field surrogate modeling of cardiac function encoding geometric variability [1.3643562541556224]
  本研究では,心臓解剖学をフルフィールドサロゲートモデルに組み込む新しい計算パイプラインを提案する。 我々は,物理シミュレーションから抽出した活性化マップをニューラルネットワークに符号化するために,分岐潜時ニューラルネットワーク(BLNMs)を有効な科学的機械学習手法として用いた。 我々のサロゲートモデルは、複雑な患者コホートにまたがるロバスト性と大きな一般化を示し、平均2乗誤差0.0034を達成する。
  論文  参考訳（メタデータ） (2025-04-29T07:22:06Z)
• Geometry aware inference of steady state PDEs using Equivariant Neural Fields representations [0.0]
  定常部分微分方程式を予測するエンコーダデコーダである enf2enf を導入する。 提案手法は、リアルタイム推論とゼロショット超解像をサポートし、低分解能メッシュの効率的なトレーニングを可能にする。
  論文  参考訳（メタデータ） (2025-04-24T08:30:32Z)
• Shape-informed surrogate models based on signed distance function domain encoding [8.052704959617207]
  パラメータ化偏微分方程式(PDE)の解を近似する代理モデルを構築するための非侵入的手法を提案する。 我々のアプローチは2つのニューラルネットワーク(NN)の組み合わせに基づいている。
  論文  参考訳（メタデータ） (2024-09-19T01:47:04Z)
• An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation [45.820901263103806]
  In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築 本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。 提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
  論文  参考訳（メタデータ） (2024-03-10T21:33:53Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• ResNet-LDDMM: Advancing the LDDMM Framework Using Deep Residual Networks [86.37110868126548]
  本研究では,eulerの離散化スキームに基づく非定常ode(フロー方程式)の解法として,深層残留ニューラルネットワークを用いた。 複雑なトポロジー保存変換の下での3次元形状の多種多様な登録問題について述べる。
  論文  参考訳（メタデータ） (2021-02-16T04:07:13Z)
• High-dimensional Bayesian Optimization of Personalized Cardiac Model Parameters via an Embedded Generative Model [7.286540513944084]
  ベイズ最適化の目的関数に生成的変分オートエンコーダ(VAE)を組み込む新しい概念を提案する。 生成コードに関するVAE符号化された知識は、探索空間の探索を導くために使用される。 本発明の方法は、心臓電気生理学的モデルにおける組織興奮性の推定に応用される。
  論文  参考訳（メタデータ） (2020-05-15T22:14:16Z)

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。