論文の概要: Snap-and-tune: combining deep learning and test-time optimization for high-fidelity cardiovascular volumetric meshing

• arxiv url: http://arxiv.org/abs/2506.08280v1
• Date: Mon, 09 Jun 2025 22:58:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:40.868271
• Title: Snap-and-tune: combining deep learning and test-time optimization for high-fidelity cardiovascular volumetric meshing
• Title（参考訳）: Snap-and-Tune:高忠実度心血管容積メッシュのためのディープラーニングとテスト時間最適化を組み合わせる
• Authors: Daniel H. Pak, Shubh Thaker, Kyle Baylous, Xiaoran Zhang, Danny Bluestein, James S. Duncan,
• Abstract要約: 医用画像からの高品質なボリュームメッシュ化は、パーソナライズされた医療における物理ベースのシミュレーションの鍵となるボトルネックである。 深層学習(DL)とテスト時間最適化を順次適用するスナップ・アンド・トゥン戦略を導入する。 本手法は空間精度とメッシュ品質を両立させながら, 完全自動化した。
• 参考スコア（独自算出の注目度）: 5.280845866467805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-quality volumetric meshing from medical images is a key bottleneck for physics-based simulations in personalized medicine. For volumetric meshing of complex medical structures, recent studies have often utilized deep learning (DL)-based template deformation approaches to enable fast test-time generation with high spatial accuracy. However, these approaches still exhibit limitations, such as limited flexibility at high-curvature areas and unrealistic inter-part distances. In this study, we introduce a simple yet effective snap-and-tune strategy that sequentially applies DL and test-time optimization, which combines fast initial shape fitting with more detailed sample-specific mesh corrections. Our method provides significant improvements in both spatial accuracy and mesh quality, while being fully automated and requiring no additional training labels. Finally, we demonstrate the versatility and usefulness of our newly generated meshes via solid mechanics simulations in two different software platforms. Our code is available at https://github.com/danpak94/Deep-Cardiac-Volumetric-Mesh.
• Abstract（参考訳）: 医用画像からの高品質なボリュームメッシュ化は、パーソナライズされた医療における物理ベースのシミュレーションの鍵となるボトルネックである。 複雑な医療構造物の容積メッシュ化において、近年の研究は、深層学習(DL)ベースのテンプレート変形アプローチを用いて、空間的精度の高い高速なテスト時間生成を実現している。 しかし、これらのアプローチは、高曲率領域での柔軟性の制限や非現実的な部分間距離などの制限をまだ示している。 本研究では, 高速初期形状調整とより詳細なメッシュ補正を組み合わせた, DLとテスト時間最適化を逐次適用した簡易かつ効果的なスナップ・アンド・トゥン方式を提案する。 本手法は,空間精度とメッシュ品質を向上すると同時に,完全に自動化され,追加のトレーニングラベルを必要としない。 最後に、2つの異なるソフトウェアプラットフォームにおけるソリッド・メカニクス・シミュレーションを通じて、新たに生成されたメッシュの汎用性と有用性を示す。 私たちのコードはhttps://github.com/danpak94/Deep-Cardiac-Volumetric-Meshで公開されています。

関連論文リスト

• Physics Informed Capsule Enhanced Variational AutoEncoder for Underwater Image Enhancement [8.16306466526838]
  本稿では,最先端の水中画像強調を実現する新しいデュアルストリームアーキテクチャを提案する。 本手法は,専用物理推定器による送信マップと背景光の空間変化を同時に推定する。 提案手法は,複数の空間周波数にまたがる物理的定着と知覚的品質の両立を保証する新しい最適化目標も備えている。
  論文  参考訳（メタデータ） (2025-06-05T08:39:17Z)
• PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics [59.38498811984876]
  我々はPyTorchで符号化された可変圧単純化解器であるPICTをGPU(Graphics-Processing-unit)をサポートした流体シミュレータとして提案する。 まず,様々なベンチマークにおいて,フォワードシミュレーションと導出した勾配の精度を検証した。 2次元, 3次元の複雑な乱流モデルの学習には, 解法によって得られる勾配が有効であることを示す。
  論文  参考訳（メタデータ） (2025-05-22T17:55:10Z)
• TEAM PILOT -- Learned Feasible Extendable Set of Dynamic MRI Acquisition Trajectories [2.7719338074999547]
  本稿では,3次元ウィンドウアテンションとフレキシブルで時間的に拡張可能な獲得軌跡を用いた新しい深部圧縮型センシング手法を提案する。 本手法は既存の手法と比較してトレーニング時間と推論時間を著しく短縮する。 実データによるテストは、我々のアプローチが現在の最先端技術よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-09-19T13:45:13Z)
• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• MeshDQN: A Deep Reinforcement Learning Framework for Improving Meshes in Computational Fluid Dynamics [0.0]
  MeshDQNは、反復的に粗いメッシュに対する汎用的な深層強化学習フレームワークとして開発されている。 グラフニューラルネットワークに基づくディープQネットワークを使用して、除去のためのメッシュを選択し、高価なシミュレーションをバイパスするためにソリューションを使用する。 MeshDQNは2つの2D翼のメッシュの改善に成功している。
  論文  参考訳（メタデータ） (2022-12-02T20:22:15Z)
• Accelerated Policy Learning with Parallel Differentiable Simulation [59.665651562534755]
  微分可能シミュレータと新しいポリシー学習アルゴリズム(SHAC)を提案する。 本アルゴリズムは,スムーズな批判機能により局所最小化の問題を軽減する。 現状のRLと微分可能なシミュレーションベースアルゴリズムと比較して,サンプル効率と壁面時間を大幅に改善した。
  論文  参考訳（メタデータ） (2022-04-14T17:46:26Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
  DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。 我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
  論文  参考訳（メタデータ） (2021-01-15T00:13:33Z)
• Fast Modeling and Understanding Fluid Dynamics Systems with Encoder-Decoder Networks [0.0]
  本研究では,有限体積シミュレータを用いて,高精度な深層学習に基づくプロキシモデルを効率的に教えることができることを示す。 従来のシミュレーションと比較して、提案したディープラーニングアプローチはより高速なフォワード計算を可能にする。 深層学習モデルの重要物理パラメータに対する感度を定量化することにより、インバージョン問題を大きな加速で解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-09T17:14:08Z)

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。