論文の概要: Trexplorer Super: Topologically Correct Centerline Tree Tracking of Tubular Objects in CT Volumes

• arxiv url: http://arxiv.org/abs/2507.10881v1
• Date: Tue, 15 Jul 2025 00:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.931444
• Title: Trexplorer Super: Topologically Correct Centerline Tree Tracking of Tubular Objects in CT Volumes
• Title（参考訳）: Trexplorer Super:CTボリューム中の管状物体のトポロジカルに補正された中心木追跡
• Authors: Roman Naeem, David Hagerman, Jennifer Alvén, Lennart Svensson, Fredrik Kahl,
• Abstract要約: Trexplorerは、3D医療画像のセンターライントラッキング用に設計されたリカレントモデルである。 本稿では,改良版であるTrexplorer Superについて紹介する。 センターライントラッキングモデルの評価は、公開データセットが欠如しているため、難しい。
• 参考スコア（独自算出の注目度）: 11.877756847857302
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tubular tree structures, such as blood vessels and airways, are essential in human anatomy and accurately tracking them while preserving their topology is crucial for various downstream tasks. Trexplorer is a recurrent model designed for centerline tracking in 3D medical images but it struggles with predicting duplicate branches and terminating tracking prematurely. To address these issues, we present Trexplorer Super, an enhanced version that notably improves performance through novel advancements. However, evaluating centerline tracking models is challenging due to the lack of public datasets. To enable thorough evaluation, we develop three centerline datasets, one synthetic and two real, each with increasing difficulty. Using these datasets, we conduct a comprehensive evaluation of existing state-of-the-art (SOTA) models and compare them with our approach. Trexplorer Super outperforms previous SOTA models on every dataset. Our results also highlight that strong performance on synthetic data does not necessarily translate to real datasets. The code and datasets are available at https://github.com/RomStriker/Trexplorer-Super.
• Abstract（参考訳）: 血管や気道などの管状構造は人間の解剖学に必須であり、そのトポロジーを保ちながら正確に追跡することは、下流の様々なタスクに不可欠である。 Trexplorerは、3D医療画像における中心線追跡のために設計された反復モデルであるが、重複枝の予測と早期追跡の終了に苦慮している。 これらの課題に対処するため,我々はTrexplorer Superを紹介した。 しかし、公開データセットが欠如しているため、中心的なトラッキングモデルの評価は困難である。 徹底的な評価を実現するために,3つの中心となる3つのデータセット,1つの合成データと2つの実データを作成し,それぞれが難易度を増すようにした。 これらのデータセットを用いて、既存の最先端モデル(SOTA)を包括的に評価し、我々のアプローチと比較する。 Trexplorer Superは、データセット毎に以前のSOTAモデルより優れています。 我々の結果は、合成データに対する強い性能が必ずしも実際のデータセットに変換されないことも強調している。 コードとデータセットはhttps://github.com/RomStriker/Trexplorer-Superで公開されている。

関連論文リスト

• DART-Vetter: A Deep LeARning Tool for automatic triage of exoplanet candidates [29.27453886018479]
  DART-Vetterは、相対的な信号の周期に折り畳まれた光曲線のみを処理する畳み込みニューラルネットワークである。 我々は、DART-Vetterを、TESSとKeplerの光曲線で、公開され、均質にラベル付けされたいくつかのデータセットで訓練し、テストした。
  論文  参考訳（メタデータ） (2025-06-05T20:05:16Z)
• TUM2TWIN: Introducing the Large-Scale Multimodal Urban Digital Twin Benchmark Dataset [90.97440987655084]
  都市デジタルツインズ(UDT)は、都市管理と多様なソースからの複雑な異種データの統合に欠かせないものとなっている。 これらの課題に対処するために、最初の総合的マルチモーダルなUrban Digital TwinベンチマークデータセットTUM2TWINを紹介する。 このデータセットには、地理的にセマンティックに整合した3Dモデルとネットワーク、およびさまざまな地球、モバイル、航空、衛星観測結果、約10,000ドル以上のデータサブセット、そして現在767GBのデータが含まれている。
  論文  参考訳（メタデータ） (2025-05-12T09:48:32Z)
• Efficient Self-Supervised Learning for Earth Observation via Dynamic Dataset Curation [67.23953699167274]
  自己教師付き学習(SSL)により、地球観測のための視覚基盤モデルの開発が可能になった。 EOでは、この課題は衛星画像に共通する冗長性と重尾分布によって増幅される。 本稿では,データセットの多様性とバランスを最大化し,SSL事前トレーニングを改善するために設計された動的データセットプルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-09T15:13:26Z)
• D5RL: Diverse Datasets for Data-Driven Deep Reinforcement Learning [99.33607114541861]
  ロボット操作と移動環境の現実的なシミュレーションに焦点を当てたオフラインRLのための新しいベンチマークを提案する。 提案するベンチマークでは、状態ベースドメインと画像ベースドメインを対象とし、オフラインRLとオンライン微調整評価の両方をサポートしている。
  論文  参考訳（メタデータ） (2024-08-15T22:27:00Z)
• TARGO: Benchmarking Target-driven Object Grasping under Occlusions [39.970680093124145]
  我々はまず,Occlusionsの下でTARGOという,TARget駆動型グラフ作成のための新しいベンチマークデータセットを構築した。 我々は5つのグリップモデルを評価し、現在のSOTAモデルでさえ、閉塞レベルが大きくなると悩むことを見出した。 本稿では, TARGO-Net と呼ばれる形状完備化モジュールを含む変圧器を用いた把握モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-08T17:47:45Z)
• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• Scaling Data Generation in Vision-and-Language Navigation [116.95534559103788]
  本稿では,学習のための大規模データ生成に有効なパラダイムを提案する。 我々は、HM3DとGibsonのデータセットから1200以上のフォトリアリスティック環境を適用し、490万の命令軌道対を合成する。 我々の大規模データセットのおかげで、既存のエージェントの性能は(以前のSoTAでは+11%絶対)、単純な模倣学習によってR2Rテストの分割で80%の単ラン成功率で大幅に向上できる。
  論文  参考訳（メタデータ） (2023-07-28T16:03:28Z)
• A New Benchmark: On the Utility of Synthetic Data with Blender for Bare Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
  コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。 制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。 これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
  論文  参考訳（メタデータ） (2023-03-16T09:03:52Z)
• Benchmarking and Analyzing 3D Human Pose and Shape Estimation Beyond Algorithms [31.2529724533643]
  この研究は、アルゴリズム以外の3つの未探索視点からの最初の総合的なベンチマーク研究を示す。 31のデータセットの分析では、データサンプルの異なる影響が明らかになっている。 比較的単純なモデルで3DPWテストセットで47.3mmのPA-MPJPEを実現する。
  論文  参考訳（メタデータ） (2022-09-21T17:39:53Z)
• Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
  コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。 最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。 しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。 本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
  論文  参考訳（メタデータ） (2021-01-18T03:24:48Z)

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。