論文の概要: Shape-aware Sampling Matters in the Modeling of Multi-Class Tubular Structures

• arxiv url: http://arxiv.org/abs/2506.12395v1
• Date: Sat, 14 Jun 2025 08:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:46.090413
• Title: Shape-aware Sampling Matters in the Modeling of Multi-Class Tubular Structures
• Title（参考訳）: マルチクラス管状構造のモデリングにおける形状認識サンプリング事項
• Authors: Minghui Zhang, Yaoyu Liu, Xin You, Hanxiao Zhang, Yun Gu,
• Abstract要約: 深層学習は,ボリュームオーバーラップ精度を優先することで,自動形状モデリングを可能にする。 微粒な管状形状の固有の複雑さは、重なり合う精度によって完全に強調されないため、トポロジカルな保存が減少する。 本研究では,オンラインサンプリングのためのパッチサイズ割り当てを最適化し,目的関数のための位相保存骨格表現を抽出するShapeaware Sampling (SAS)を提案する。
• 参考スコア（独自算出の注目度）: 11.265651259708497
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate multi-class tubular modeling is critical for precise lesion localization and optimal treatment planning. Deep learning methods enable automated shape modeling by prioritizing volumetric overlap accuracy. However, the inherent complexity of fine-grained semantic tubular shapes is not fully emphasized by overlap accuracy, resulting in reduced topological preservation. To address this, we propose the Shapeaware Sampling (SAS), which optimizes patchsize allocation for online sampling and extracts a topology-preserved skeletal representation for the objective function. Fractal Dimension-based Patchsize (FDPS) is first introduced to quantify semantic tubular shape complexity through axis-specific fractal dimension analysis. Axes with higher fractal complexity are then sampled with smaller patchsizes to capture fine-grained features and resolve structural intricacies. In addition, Minimum Path-Cost Skeletonization (MPC-Skel) is employed to sample topologically consistent skeletal representations of semantic tubular shapes for skeleton-weighted objective functions. MPC-Skel reduces artifacts from conventional skeletonization methods and directs the focus to critical topological regions, enhancing tubular topology preservation. SAS is computationally efficient and easily integrable into optimization pipelines. Evaluation on two semantic tubular datasets showed consistent improvements in both volumetric overlap and topological integrity metrics.
• Abstract（参考訳）: 正確なマルチクラス尿細管モデリングは、正確な病変の局在と最適な治療計画に不可欠である。 深層学習は,ボリュームオーバーラップ精度を優先することで,自動形状モデリングを可能にする。 しかし, 微粒な管状形状の複雑さは, 重なり合う精度によって強調されず, トポロジカルな保存が減少する。 そこで本研究では,オンラインサンプリングのためのパッチサイズアロケーションを最適化したShapeaware Sampling (SAS)を提案し,目的関数のトポロジ保存骨格表現を抽出する。 FDPS (Fractal Dimension-based Patchsize) が最初に導入されたのは、軸比フラクタル次元解析による意味的な管状形状の複雑さの定量化である。 フラクタル複雑性の高い軸は、より小さなパッチサイズでサンプリングされ、微細な特徴を捉え、構造的な複雑さを解消する。 さらに、最小パスコスト骨格化(MPC-Skel)を用いて、骨格重み付き目的関数に対する意味的管状形状の位相的に一貫した骨格表現をサンプリングする。 MPC-Skelは、従来の骨格化法からアーティファクトを減らし、重要なトポロジカル領域に焦点を向け、管状トポロジ保存を増強する。 SASは計算効率が高く、最適化パイプラインに容易に統合できる。 2つの意味的管状データセットの評価は、ボリュームオーバーラップとトポロジカルな整合性の両方において一貫した改善を示した。

関連論文リスト

• Dynamic Snake Upsampling Operater and Boundary-Skeleton Weighted Loss for Tubular Structure Segmentation [5.949900966039577]
  本稿では,トポロジカルな管状構造物に適した動的ヘビ吊り上げ演算子と境界スケルトン重み付き損失を導入する。 様々なドメインデータセットとバックボーンネットワークにわたる実験により、このプラグアンドプレイのダイナミックスネークアップサンプリング演算子とバウンダリ・スケルトン重み付き損失は、ピクセルワイドセグメンテーション精度と結果のトポロジ的整合性の両方を促進することが示された。
  論文  参考訳（メタデータ） (2025-05-13T12:56:59Z)
• SDF-TopoNet: A Two-Stage Framework for Tubular Structure Segmentation via SDF Pre-training and Topology-Aware Fine-Tuning [2.3436632098950456]
  主な課題は、計算効率を維持しながら位相的正しさを確保することである。 改良されたトポロジ対応セグメンテーションフレームワークである textbfSDF-TopoNet を提案する。 SDF-TopoNetは, 位相的精度と定量的セグメンテーションの指標の両方において, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-14T23:54:38Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• 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)
• Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
  CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。 肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。 結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
  論文  参考訳（メタデータ） (2023-06-27T14:41:18Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• 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)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。