論文の概要: AortaDiff: Volume-Guided Conditional Diffusion Models for Multi-Branch Aortic Surface Generation

• arxiv url: http://arxiv.org/abs/2507.13404v1
• Date: Thu, 17 Jul 2025 00:36:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.078359
• Title: AortaDiff: Volume-Guided Conditional Diffusion Models for Multi-Branch Aortic Surface Generation
• Title（参考訳）: AortaDiff:多分岐大動脈表面生成のための容積誘導条件拡散モデル
• Authors: Delin An, Pan Du, Jian-Xun Wang, Chaoli Wang,
• Abstract要約: AortaDiffは、CT/MRIボリュームから直接滑らかな大動脈表面を生成する拡散ベースのフレームワークである。 AortaDiffは、限られたトレーニングデータでも効果的に動作し、正常および病理学的に変更された大動脈メッシュの両方を構築することに成功した。 この能力は、AortaDiffを心臓血管研究の実用的なソリューションとして、高品質な可視化と位置の創出を可能にする。
• 参考スコア（独自算出の注目度）: 8.062885940500259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate 3D aortic construction is crucial for clinical diagnosis, preoperative planning, and computational fluid dynamics (CFD) simulations, as it enables the estimation of critical hemodynamic parameters such as blood flow velocity, pressure distribution, and wall shear stress. Existing construction methods often rely on large annotated training datasets and extensive manual intervention. While the resulting meshes can serve for visualization purposes, they struggle to produce geometrically consistent, well-constructed surfaces suitable for downstream CFD analysis. To address these challenges, we introduce AortaDiff, a diffusion-based framework that generates smooth aortic surfaces directly from CT/MRI volumes. AortaDiff first employs a volume-guided conditional diffusion model (CDM) to iteratively generate aortic centerlines conditioned on volumetric medical images. Each centerline point is then automatically used as a prompt to extract the corresponding vessel contour, ensuring accurate boundary delineation. Finally, the extracted contours are fitted into a smooth 3D surface, yielding a continuous, CFD-compatible mesh representation. AortaDiff offers distinct advantages over existing methods, including an end-to-end workflow, minimal dependency on large labeled datasets, and the ability to generate CFD-compatible aorta meshes with high geometric fidelity. Experimental results demonstrate that AortaDiff performs effectively even with limited training data, successfully constructing both normal and pathologically altered aorta meshes, including cases with aneurysms or coarctation. This capability enables the generation of high-quality visualizations and positions AortaDiff as a practical solution for cardiovascular research.
• Abstract（参考訳）: 正確な3D大動脈構築は, 血流速度, 圧力分布, 壁せん断応力などの重要な血流パラメータを推定できるため, 臨床診断, 術前計画, 計算流体力学(CFD)シミュレーションに不可欠である。 既存の建設手法は、しばしば大規模な注釈付きトレーニングデータセットと広範囲な手作業による介入に依存している。 結果として得られるメッシュは視覚化の目的に役立ち得るが、下流CFD分析に適した幾何学的に一貫した、よく構築された表面を生成するのに苦労する。 これらの課題に対処するために、CT/MRIボリュームから直接滑らかな大動脈表面を生成する拡散ベースのフレームワークであるAortaDiffを紹介する。 AortaDiffはまず、容積誘導型条件拡散モデル(CDM)を用いて、容積医用画像に条件付けされた大動脈中心線を反復的に生成する。 次に、各中心点が対応する容器輪郭を抽出するプロンプトとして自動的に使用され、正確な境界線を確実にする。 最後に、抽出した輪郭を滑らかな3次元表面に嵌合させ、連続したCFD互換メッシュ表現を与える。 AortaDiffは、エンドツーエンドのワークフロー、大規模ラベル付きデータセットへの依存性の最小化、幾何学的忠実度の高いCFD互換のAortaメッシュを生成する機能など、既存の方法に対する明確なアドバンテージを提供する。 実験の結果,AortaDiffは限られた訓練データでも効果的に機能し,大動脈瘤や結節を含む正常および病理学的に変化した大動脈メッシュの構築に成功した。 この能力は、AortaDiffを心臓血管研究の実用的なソリューションとして、高品質な可視化と位置の創出を可能にする。

関連論文リスト

• Wall Shear Stress Estimation in Abdominal Aortic Aneurysms: Towards Generalisable Neural Surrogate Models [2.2742404315918923]
  腹部大動脈瘤 (AAA) は腹部大動脈の病的拡張であり,破裂に伴う死亡リスクが高い。 本研究では,AAA患者の血行動態を推定するための幾何学的深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-30T16:32:47Z)
• Aneumo: A Large-Scale Multimodal Aneurysm Dataset with Computational Fluid Dynamics Simulations and Deep Learning Benchmarks [16.753219355754222]
  脳動脈瘤 (IAs) は総人口の約5%にみられた重症脳血管障害である。 彼らの破裂は高い死亡率につながるかもしれない。 IAリスクの評価法は, 形態学的, 患者固有の因子に焦点が当てられているが, 血液動態がIAの発生と破裂に与える影響は明らかになっていない。 このデータセットは、大動脈瘤の研究を進め、バイオ流体、バイオメディカルエンジニアリング、臨床リスクアセスメントにおけるデータ駆動アプローチを促進することを目的としている。
  論文  参考訳（メタデータ） (2025-05-19T09:32:09Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [77.26556208024633]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• 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)
• Voxel2Hemodynamics: An End-to-end Deep Learning Method for Predicting Coronary Artery Hemodynamics [24.8579242043367]
  局所血行動態は冠動脈狭窄の機能的意義を決定する上で重要な役割を担っている。 CCTA画像から冠状動脈血行動態を予測できるエンドツーエンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-30T15:12:52Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on the Artery Wall [13.113110989699571]
  三次元幾何学的動脈モデルによる壁面上のベクトル値量の推定について検討する。 我々は、三角形のメッシュ上で直接動作するエンドツーエンドSE(3)-同変ニューラルネットワークにおいて、グループ同変グラフ畳み込みを用いる。 本手法は, 経時的, ベクトル値のWSSを, 異なる流れ境界条件下で正確に予測できるほど強力であることを示す。
  論文  参考訳（メタデータ） (2022-12-09T18:16:06Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Mesh convolutional neural networks for wall shear stress estimation in 3D artery models [7.7393800633675465]
  CFDと同じ有限要素表面メッシュ上で直接動作するメッシュ畳み込みニューラルネットワークを提案する。 このメッシュ上での3次元壁せん断応力ベクトルを正確に予測できることが,我々のフレキシブルディープラーニングモデルにより示されている。
  論文  参考訳（メタデータ） (2021-09-10T11:32:05Z)
• Dynamic Mode Decomposition in Adaptive Mesh Refinement and Coarsening Simulations [58.720142291102135]
  動的モード分解(DMD)はコヒーレントなスキームを抽出する強力なデータ駆動方式である。 本稿では,異なるメッシュトポロジと次元の観測からDMDを抽出する戦略を提案する。
  論文  参考訳（メタデータ） (2021-04-28T22:14:25Z)
• Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
  拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。 拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
  論文  参考訳（メタデータ） (2021-02-25T13:18:32Z)

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。