論文の概要: Parametric shape models for vessels learned from segmentations via differentiable voxelization

• arxiv url: http://arxiv.org/abs/2507.02576v1
• Date: Thu, 03 Jul 2025 12:33:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.276458
• Title: Parametric shape models for vessels learned from segmentations via differentiable voxelization
• Title（参考訳）: バラエティボキセル化によるセグメンテーションから学習した容器のパラメトリック形状モデル
• Authors: Alina F. Dima, Suprosanna Shit, Huaqi Qiu, Robbie Holland, Tamara T. Mueller, Fabio Antonio Musio, Kaiyuan Yang, Bjoern Menze, Rickmer Braren, Marcus Makowski, Daniel Rueckert,
• Abstract要約: 血管は体内の複雑な構造であり、複数の表現で広く研究されている。 微分可能変換の下で3つの表現と結合する枠組みを提案する。 我々の方法では、大動脈、動脈瘤、脳血管の実験において、容積に適合する複雑な血管の形状を正確に把握することができる。
• 参考スコア（独自算出の注目度）: 10.898240820246029
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vessels are complex structures in the body that have been studied extensively in multiple representations. While voxelization is the most common of them, meshes and parametric models are critical in various applications due to their desirable properties. However, these representations are typically extracted through segmentations and used disjointly from each other. We propose a framework that joins the three representations under differentiable transformations. By leveraging differentiable voxelization, we automatically extract a parametric shape model of the vessels through shape-to-segmentation fitting, where we learn shape parameters from segmentations without the explicit need for ground-truth shape parameters. The vessel is parametrized as centerlines and radii using cubic B-splines, ensuring smoothness and continuity by construction. Meshes are differentiably extracted from the learned shape parameters, resulting in high-fidelity meshes that can be manipulated post-fit. Our method can accurately capture the geometry of complex vessels, as demonstrated by the volumetric fits in experiments on aortas, aneurysms, and brain vessels.
• Abstract（参考訳）: 血管は体内の複雑な構造であり、複数の表現で広く研究されている。 ボキセル化が最も一般的であるが、メッシュやパラメトリックモデルは、その望ましい性質のため、様々なアプリケーションにおいて重要である。 しかしながら、これらの表現は典型的にはセグメンテーションを通して抽出され、互いに不一致に使用される。 微分可能変換の下で3つの表現と結合する枠組みを提案する。 異なるボキセル化を生かして, 形状と寸法のフィッティングにより, 容器のパラメトリック形状モデルを自動的に抽出し, 接地構造形状パラメータを明示的に必要とせず, セグメンテーションから形状パラメータを学習する。 この容器は、立方体Bスプラインを用いて中心線および基線としてパラメトリケートされ、建設による滑らかさと連続性を確保する。 メッシュは学習した形状パラメータから微分可能抽出され、その結果、適合後の操作が可能な高忠実度メッシュが生成される。 我々の方法では、大動脈、動脈瘤、脳血管の実験において、容積に適合する複雑な血管の形状を正確に把握することができる。

関連論文リスト

• Symbolic Approximations to Ricci-flat Metrics Via Extrinsic Symmetries of Calabi-Yau Hypersurfaces [0.0]
  我々は、Fermat Calabi-Yau n-foldsの平坦なメトリクスに機械学習の近似を解析する。 平坦な計量は、複素構造モジュライの特定の選択に対して驚くほどコンパクトな表現を持つことを示す。 ほぼゼロのスカラー曲率を持つケーラー計量の閉形式式をMLモデルを蒸留して初めて得られる。
  論文  参考訳（メタデータ） (2024-12-27T18:19:26Z)
• Explainable Binary Classification of Separable Shape Ensembles [0.0]
  材料科学者は、マイクログラフのイメージセグメンテーションを利用して、材料ミクロ構造の粒界を表す大きな曲線アンサンブルを作成する。 分割された曲線の大規模なアンサンブルに対して,新しいパターン認識形式と推論を用いて,この応用を推し進める。
  論文  参考訳（メタデータ） (2024-10-16T19:42:47Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
  Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。 非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。 また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:56:01Z)
• The Fisher-Rao geometry of CES distributions [50.50897590847961]
  Fisher-Rao情報幾何学は、ツールを微分幾何学から活用することができる。 楕円分布の枠組みにおけるこれらの幾何学的ツールの実用的利用について述べる。
  論文  参考訳（メタデータ） (2023-10-02T09:23:32Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• 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)
• Parametrizing Product Shape Manifolds by Composite Networks [5.772786223242281]
  形状空間に対する効率的なニューラルネットワーク近似を特別な積構造で学習することは可能であることを示す。 提案アーキテクチャは,低次元因子の近似とその後の組み合わせを別々に学習することで,この構造を利用する。
  論文  参考訳（メタデータ） (2023-02-28T15:31:23Z)
• Elastic shape analysis of surfaces with second-order Sobolev metrics: a comprehensive numerical framework [11.523323270411959]
  本稿では3次元表面形状解析のための数値的手法を提案する。 本研究では、3次元メッシュとして表されるパラメータ化面と非パラメータ化面の間の測地線と測地線距離の計算に対処する。
  論文  参考訳（メタデータ） (2022-04-08T18:19:05Z)
• Frame Averaging for Equivariant Shape Space Learning [85.42901997467754]
  形状空間学習に対称性を組み込む自然な方法は、形状空間(エンコーダ)への写像と形状空間(デコーダ)からの写像が関連する対称性に同値であることを問うことである。 本稿では,2つのコントリビューションを導入することで,エンコーダとデコーダの等価性を組み込む枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-03T06:41:19Z)

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。