論文の概要: HUG-VAS: A Hierarchical NURBS-Based Generative Model for Aortic Geometry Synthesis and Controllable Editing
- arxiv url: http://arxiv.org/abs/2507.11474v1
- Date: Tue, 15 Jul 2025 16:45:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-16 19:46:03.19288
- Title: HUG-VAS: A Hierarchical NURBS-Based Generative Model for Aortic Geometry Synthesis and Controllable Editing
- Title（参考訳）: HUG-VAS: 階層的NURBSに基づく大動脈形状合成と制御可能な編集のための生成モデル
- Authors: Pan Du, Mingqi Xu, Xiaozhi Zhu, Jian-xun Wang,
- Abstract要約: 本稿では,血管形状合成のためのNURBS生成モデルであるHUG-VASを紹介する。
NURBS表面のパラメータ化と拡散に基づく生成モデルを統合し、現実的できめ細かい大動脈のジオメトリーを合成する。
HuG-VASは、上大動脈枝を持つ解剖学的に忠実な大動脈を生成し、元のデータセットと密接に一致するバイオマーカー分布を生成する。
- 参考スコア（独自算出の注目度）: 4.285436540597423
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate characterization of vascular geometry is essential for cardiovascular diagnosis and treatment planning. Traditional statistical shape modeling (SSM) methods rely on linear assumptions, limiting their expressivity and scalability to complex topologies such as multi-branch vascular structures. We introduce HUG-VAS, a Hierarchical NURBS Generative model for Vascular geometry Synthesis, which integrates NURBS surface parameterization with diffusion-based generative modeling to synthesize realistic, fine-grained aortic geometries. Trained with 21 patient-specific samples, HUG-VAS generates anatomically faithful aortas with supra-aortic branches, yielding biomarker distributions that closely match those of the original dataset. HUG-VAS adopts a hierarchical architecture comprising a denoising diffusion model that generates centerlines and a guided diffusion model that synthesizes radial profiles conditioned on those centerlines, thereby capturing two layers of anatomical variability. Critically, the framework supports zero-shot conditional generation from image-derived priors, enabling practical applications such as interactive semi-automatic segmentation, robust reconstruction under degraded imaging conditions, and implantable device optimization. To our knowledge, HUG-VAS is the first SSM framework to bridge image-derived priors with generative shape modeling via a unified integration of NURBS parameterization and hierarchical diffusion processes.
- Abstract（参考訳）: 血管形状の正確な特徴は、心臓血管の診断と治療計画に不可欠である。
従来の統計的形状モデリング(SSM)法は線形仮定に依存し、その表現性と拡張性はマルチブランチ血管構造のような複雑なトポロジーに制限される。
HUG-VASは血管幾何学合成のための階層的NURBS生成モデルであり, NURBS表面パラメータ化と拡散に基づく生成モデルを統合し, 現実的, 微粒な大動脈ジオメトリを合成する。
HUG-VASは21の患者固有のサンプルで訓練され、上大動脈枝を持つ解剖学的に忠実な大動脈を発生させ、元のデータセットと密接に一致するバイオマーカーの分布を生成する。
HUG-VASは、中心線を生成する分極拡散モデルと、それらの中心線上に条件付けられた放射プロファイルを合成し、解剖学的変動の2つの層を捕捉するガイド拡散モデルとからなる階層的アーキテクチャを採用する。
重要な点として、このフレームワークは画像由来の事前からゼロショット条件生成をサポートし、インタラクティブなセミオートマティックセグメンテーション、劣化した撮像条件下での堅牢な再構成、組込み可能なデバイス最適化などの実用的な応用を可能にする。
我々の知る限り、HUG-VASは、NURBSパラメータ化と階層拡散プロセスの統合により、画像由来の先行を生成的形状モデリングでブリッジする最初のSSMフレームワークである。
関連論文リスト
- Controllable diffusion-based generation for multi-channel biological data [66.44042377817074]
本研究では, 構造的および空間的生物学的データに対する制御可能生成のための統合拡散フレームワークを提案する。
空間的および非空間的予測タスクにまたがって,IMCにおけるタンパク質のインパルス化や単一セルデータセットにおける遺伝子対タンパク質の予測など,最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-06-24T00:56:21Z) - Deformable registration and generative modelling of aortic anatomies by auto-decoders and neural ODEs [4.299467172990462]
本研究は, 形状登録のための深層学習モデルであるAD-SVFDを導入する。
AD-SVFDの特徴的な特徴はオートデコーダ構造であり、形状コホートをまたいだ一般化を可能にし、効率的な重量共有を好んでいる。
新しい解剖学は、潜在空間から適切にサンプリングし、対応する逆変換を基準幾何学に適用することで合成することができる。
論文 参考訳（メタデータ） (2025-06-01T10:30:58Z) - Revolutionizing Brain Tumor Imaging: Generating Synthetic 3D FA Maps from T1-Weighted MRI using CycleGAN Models [18.167577989282247]
本稿では,T1強調MRIスキャンから直接FAマップを生成するためのCycleGANに基づくアプローチを提案する。
提案モデルでは,未確認データに基づいて高忠実度マップを作製し,特に腫瘍領域での強靭な性能を示す。
論文 参考訳（メタデータ） (2025-05-06T16:05:22Z) - Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。
DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。
本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
論文 参考訳（メタデータ） (2024-10-31T07:28:22Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - An Organism Starts with a Single Pix-Cell: A Neural Cellular Diffusion for High-Resolution Image Synthesis [8.01395073111961]
我々は、GeCA(Generative Cellular Automata)と呼ばれる新しいモデルのファミリーを紹介する。
GeCAは2つの画像モダリティ(Fundus and Optical Coherence Tomography, OCT)にまたがる網膜疾患分類の効果的な拡張ツールとして評価される
データが不足し,クラス分布が本質的に歪んでいるOCT画像の文脈では,GeCAは11種類の眼科領域の性能を著しく向上させる。
論文 参考訳（メタデータ） (2024-07-03T11:26:09Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Generative modeling of the enteric nervous system employing point
pattern analysis and graph construction [2.20200533591633]
大腸における腸管神経系(ENS)のアーキテクチャのネットワークモデルについて述べる。
我々のモデルは,空間点パターン解析とグラフ生成を組み合わせることで,ガングリアの空間的および位相的性質を特徴づける。
ENSコネクトームの理解が高まると、治療における神経調節戦略の使用が可能になり、腸運動障害の患者に対する解剖学的診断基準が明確になる。
論文 参考訳（メタデータ） (2022-10-26T21:22:41Z) - Neural Distance Embeddings for Biological Sequences [43.07977514121458]
幾何ベクトル空間に配列を埋め込むためのフレームワークであるNeuroSEEDを提案する。
階層構造を捉えた双曲空間の有効性を示し, RMSEの埋め込みにおける平均22%の還元効果を示す。
提案手法は,実世界のデータセットに対して,大幅な精度向上と実行時改善を示す。
論文 参考訳（メタデータ） (2021-09-20T17:30:58Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - 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)
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。