Fugu-MT 論文翻訳(概要): Vector Representations of Vessel Trees

論文の概要: Vector Representations of Vessel Trees

arxiv url: http://arxiv.org/abs/2506.11163v1
Date: Wed, 11 Jun 2025 20:34:08 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-16 17:50:49.525171
Title: Vector Representations of Vessel Trees
Title（参考訳）: 容器木のベクトル表現
Authors: James Batten, Michiel Schaap, Matthew Sinclair, Ying Bai, Ben Glocker,
Abstract要約: 本稿では,3次元血管ネットワークに着目した木構造幾何データのベクトル表現を学習するための新しいフレームワークを提案する。我々のフレームワークであるVeTTAは、医用画像における解剖学的構造を正確に、柔軟で、位相的に一貫したモデリングを提供する。
参考スコア（独自算出の注目度）: 12.391128284848135
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a novel framework for learning vector representations of tree-structured geometric data focusing on 3D vascular networks. Our approach employs two sequentially trained Transformer-based autoencoders. In the first stage, the Vessel Autoencoder captures continuous geometric details of individual vessel segments by learning embeddings from sampled points along each curve. In the second stage, the Vessel Tree Autoencoder encodes the topology of the vascular network as a single vector representation, leveraging the segment-level embeddings from the first model. A recursive decoding process ensures that the reconstructed topology is a valid tree structure. Compared to 3D convolutional models, this proposed approach substantially lowers GPU memory requirements, facilitating large-scale training. Experimental results on a 2D synthetic tree dataset and a 3D coronary artery dataset demonstrate superior reconstruction fidelity, accurate topology preservation, and realistic interpolations in latent space. Our scalable framework, named VeTTA, offers precise, flexible, and topologically consistent modeling of anatomical tree structures in medical imaging.
Abstract（参考訳）: 本稿では,3次元血管ネットワークに着目した木構造幾何データのベクトル表現を学習するための新しいフレームワークを提案する。提案手法では2つのシーケンシャルなトランスフォーマーベースのオートエンコーダを用いる。第一段階では、容器オートエンコーダは、各曲線に沿ってサンプリングされた点からの埋め込みを学習することにより、個々の容器セグメントの連続的な幾何学的詳細をキャプチャする。第2段階では、Vessel Tree Autoencoderは、血管ネットワークのトポロジーを単一のベクトル表現としてエンコードし、第1モデルからのセグメントレベルの埋め込みを活用する。再帰的復号過程は、再構成されたトポロジーが有効な木構造であることを保証する。 3D畳み込みモデルと比較して、提案手法はGPUメモリの要求を大幅に低減し、大規模なトレーニングを容易にする。 2次元合成木データセットと3次元冠状動脈データセットの実験的結果は、より優れた再構成忠実度、正確なトポロジー保存、潜在空間における現実的な補間を示す。私たちのスケーラブルなフレームワークであるVeTTAは、医用画像の解剖学的構造を正確に、柔軟で、トポロジ的に一貫したモデリングを提供します。

関連論文リスト

Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。各パーティション内に1つのプリミティブを導出するために空間分割を適用する。我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
論文参考訳（メタデータ） (2024-06-07T21:07:49Z)
Simultaneous Alignment and Surface Regression Using Hybrid 2D-3D Networks for 3D Coherent Layer Segmentation of Retinal OCT Images with Full and Sparse Annotations [32.69359482975795]
本研究は, ハイブリッド2D-3D畳み込みニューラルネットワーク(CNN)を基盤として, OCTボリュームから連続した3次元網膜層表面を得るための新しい枠組みを提案する。人工的データセットと3つのパブリックな臨床データセットの実験により、我々のフレームワークは、潜在的運動補正のためにBスキャンを効果的に調整できることを示した。
論文参考訳（メタデータ） (2023-12-04T08:32:31Z)
Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
論文参考訳（メタデータ） (2023-07-13T08:27:09Z)
Unsupervised Discovery of 3D Hierarchical Structure with Generative Diffusion Features [22.657405088126012]
拡散モデルの特徴は3次元バイオメディカル画像において異なる階層レベルを捉えている。我々は3次元ボリュームを意味のあるネストされたサブボリュームに分解することを奨励する予測的教師なしセグメンテーションネットワークを訓練する。われわれのモデルは、既存の教師なし構造発見手法よりも、難解な合成データセットや現実世界の脳腫瘍MRIデータセットよりも優れた性能を達成している。
論文参考訳（メタデータ） (2023-04-28T19:37:17Z)
Image To Tree with Recursive Prompting [16.56278942191951]
本稿では,各ステップの最適化問題としてタスクを再構成する,ツリー接続構造を予測するための新しい手法を提案する。提案手法は,一対の合成データセット上で有意な結果が得られ,最短パスベースラインよりも優れる。
論文参考訳（メタデータ） (2023-01-01T17:35:24Z)
Enforcing connectivity of 3D linear structures using their 2D projections [54.0598511446694]
本稿では,2次元投影におけるトポロジ認識損失の総和を最小化することにより,結果の3次元接続性を改善することを提案する。これにより、精度の向上と、アノテーション付きトレーニングデータの提供に必要なアノテーションの労力の削減が図られる。
論文参考訳（メタデータ） (2022-07-14T11:42:18Z)
TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文参考訳（メタデータ） (2020-12-26T08:02:56Z)
TopNet: Topology Preserving Metric Learning for Vessel Tree Reconstruction and Labelling [22.53041565779104]
本稿では,容器木再構築のための新しいディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、同時に、血管中心線(すなわちノード)上のボクセルを検出するタスクを解決し、再建すべきツリー構造における中心ボクセル(エッジ)間の接続性を推定する。パブリックIRCADデータセットの徹底的な評価は,提案手法が既存のセマンティックセグメンテーション法よりもかなり優れていることを示している。
論文参考訳（メタデータ） (2020-09-18T07:55:58Z)
Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文参考訳（メタデータ） (2020-04-21T13:40:03Z)
clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文参考訳（メタデータ） (2020-03-16T16:27:49Z)

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。