論文の概要: Recursive Variational Autoencoders for 3D Blood Vessel Generative Modeling

• arxiv url: http://arxiv.org/abs/2506.14914v1
• Date: Tue, 17 Jun 2025 18:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.455849
• Title: Recursive Variational Autoencoders for 3D Blood Vessel Generative Modeling
• Title（参考訳）: 3次元血管生成モデルのための再帰的変分オートエンコーダ
• Authors: Paula Feldman, Miguel Fainstein, Viviana Siless, Claudio Delrieux, Emmanuel Iarussi,
• Abstract要約: 階層構造をフル活用する再帰変動ニューラルネットワーク(RvNN)を開発した。 RvNNは、ターゲット表面を記述する幾何学的特徴とともに、分岐接続を符号化する低次元多様体を学習する。 我々は、正確で多様な血管の3Dモデルを生成し、医療や外科訓練、血行動態シミュレーション、その他多くの目的に欠かせない。
• 参考スコア（独自算出の注目度）: 0.7722830505405722
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anatomical trees play an important role in clinical diagnosis and treatment planning. Yet, accurately representing these structures poses significant challenges owing to their intricate and varied topology and geometry. Most existing methods to synthesize vasculature are rule based, and despite providing some degree of control and variation in the structures produced, they fail to capture the diversity and complexity of actual anatomical data. We developed a Recursive variational Neural Network (RvNN) that fully exploits the hierarchical organization of the vessel and learns a low-dimensional manifold encoding branch connectivity along with geometry features describing the target surface. After training, the RvNN latent space can be sampled to generate new vessel geometries. By leveraging the power of generative neural networks, we generate 3D models of blood vessels that are both accurate and diverse, which is crucial for medical and surgical training, hemodynamic simulations, and many other purposes. These results closely resemble real data, achieving high similarity in vessel radii, length, and tortuosity across various datasets, including those with aneurysms. To the best of our knowledge, this work is the first to utilize this technique for synthesizing blood vessels.
• Abstract（参考訳）: 解剖学的木は臨床診断と治療計画において重要な役割を担っている。 しかし、これらの構造を正確に表現することは、その複雑で多様なトポロジーと幾何学のために大きな課題をもたらす。 血管構築法の多くは規則に基づいており、生成した構造のある程度の制御と変動を提供するにもかかわらず、実際の解剖学的データの多様性と複雑さを捉えることができない。 船体の階層構造を完全に活用する再帰変分ニューラルネットワーク (RvNN) を開発し, 分岐接続を符号化する低次元多様体と, 対象表面を記述した幾何学的特徴を学習した。 訓練後、RvNNラテント空間をサンプリングして新しい容器ジオメトリを生成することができる。 生成ニューラルネットワークのパワーを活用することで、正確で多様な血管の3Dモデルを生成します。 これらの結果は実際のデータとよく似ており、血管径、長さ、および大動脈瘤を含む様々なデータセットで高い類似性を達成している。 我々の知る限りでは、この研究は血管の合成にこの技術を利用した最初のものである。

関連論文リスト

• Synthetic Data for Blood Vessel Network Extraction [18.95453617434051]
  脳内の血管ネットワークは脳卒中研究において重要な役割を担っている。 顕微鏡データから 詳細なトポロジカル血管網情報を抽出することは 重要な課題です この研究は、合成データ生成とディープラーニングを組み合わせることで、体積顕微鏡データから容器ネットワークをグラフとして抽出する。
  論文  参考訳（メタデータ） (2025-04-16T08:29:46Z)
• Building a Synthetic Vascular Model: Evaluation in an Intracranial Aneurysms Detection Scenario [0.8749675983608172]
  このモデルは、脳動脈瘤を効率的に検出するために、3D畳み込みニューラルネットワークが使用できる脳動脈のデータセットを提供することを目的としている。 本研究では, 人工血管モデルを網羅的に記述し, 動脈瘤の分節と検出のために設計されたニューラルネットワークを構築し, 合成モデルデータの拡張により得られた性能ギャップの詳細な評価を行う。
  論文  参考訳（メタデータ） (2024-11-04T18:08:24Z)
• LaB-GATr: geometric algebra transformers for large biomedical surface and volume meshes [1.4637995279014533]
  高忠実度メッシュを用いた学習のための幾何学的トークン化を備えた深層ニューラルネットワークLaB-GATrを提案する。 LaB-GATrは、心臓血管血行動態モデリングと神経発達型表現型予測の3つの課題について最先端の結果を得る。 以上の結果から,LaB-GATrは高忠実度メッシュで学習するための強力なアーキテクチャであることを示す。
  論文  参考訳（メタデータ） (2024-03-12T11:19:46Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• VesselVAE: Recursive Variational Autoencoders for 3D Blood Vessel Synthesis [0.879967413208593]
  血管の3次元形状を合成するためのデータ駆動型生成フレームワークを提案する。 VesselVAEは、容器の階層構造を完全に活用し、低次元多様体を学ぶ。 我々は、正確で多様な血管の3Dモデルを生成し、医療や外科訓練、血行動態シミュレーション、その他多くの目的に欠かせない。
  論文  参考訳（メタデータ） (2023-07-07T13:35:48Z)
• 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)
• 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)
• 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。