Fugu-MT 論文翻訳(概要): Hierarchical Part-based Generative Model for Realistic 3D Blood Vessel

論文の概要: Hierarchical Part-based Generative Model for Realistic 3D Blood Vessel

arxiv url: http://arxiv.org/abs/2507.15223v1
Date: Mon, 21 Jul 2025 03:52:25 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-22 20:51:32.246748
Title: Hierarchical Part-based Generative Model for Realistic 3D Blood Vessel
Title（参考訳）: 階層的部分に基づくリアルな3次元血管生成モデル
Authors: Siqi Chen, Guoqing Zhang, Jiahao Lai, Bingzhi Shen, Sihong Zhang, Caixia Dong, Xuejin Chen, Yang Li,
Abstract要約: 本稿では,グローバルな二分木のようなトポロジーを局所的な幾何学的詳細から分離する3次元容器生成のための階層的部分ベースフレームワークを提案する。この研究は、3次元血管モデリングのための部分ベースの生成アプローチの最初の成功例であり、血管データ生成のための新しいベンチマークを設定している。
参考スコア（独自算出の注目度）: 11.568409945642584
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Advancements in 3D vision have increased the impact of blood vessel modeling on medical applications. However, accurately representing the complex geometry and topology of blood vessels remains a challenge due to their intricate branching patterns, curvatures, and irregular shapes. In this study, we propose a hierarchical part-based frame work for 3D vessel generation that separates the global binary tree-like topology from local geometric details. Our approach proceeds in three stages: (1) key graph generation to model the overall hierarchical struc ture, (2) vessel segment generation conditioned on geometric properties, and (3) hierarchical vessel assembly by integrating the local segments according to the global key graph. We validate our framework on real world datasets, demonstrating superior performance over existing methods in modeling complex vascular networks. This work marks the first successful application of a part-based generative approach for 3D vessel modeling, setting a new benchmark for vascular data generation. The code is available at: https://github.com/CybercatChen/PartVessel.git.
Abstract（参考訳）: 3D視覚の進歩は、血管モデリングが医療応用に与える影響を増大させた。しかし、血管の複雑な形状とトポロジーを正確に表現することは、複雑な分岐パターン、曲率、不規則な形状のために依然として困難である。本研究では,グローバルな二分木のようなトポロジーを局所的な幾何学的詳細から分離する3次元容器生成のための階層的部分ベースフレームワークを提案する。提案手法は,(1)全体階層構造をモデル化するキーグラフ生成,(2)幾何学的特性を条件とした血管セグメント生成,(3)局所セグメントをグローバルキーグラフに従って統合した階層型血管アセンブリの3段階で進行する。複雑な血管ネットワークをモデル化する既存の手法よりも優れた性能を示すとともに,実世界のデータセット上でのフレームワークの有効性を検証した。この研究は、3次元血管モデリングのための部分ベースの生成アプローチの最初の成功例であり、血管データ生成のための新しいベンチマークを設定している。コードは、https://github.com/CybercatChen/PartVessel.git.comで入手できる。

関連論文リスト

Recursive Variational Autoencoders for 3D Blood Vessel Generative Modeling [0.7722830505405722]
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。
論文参考訳（メタデータ） (2025-06-17T18:47:27Z)
Vector Representations of Vessel Trees [12.391128284848135]
本稿では,3次元血管ネットワークに着目した木構造幾何データのベクトル表現を学習するための新しいフレームワークを提案する。我々のフレームワークであるVeTTAは、医用画像における解剖学的構造を正確に、柔軟で、位相的に一貫したモデリングを提供する。
論文参考訳（メタデータ） (2025-06-11T20:34:08Z)
GlaGAN: A Generative Unsupervised Model for High-Precision Segmentation of Retinal Main Vessels toward Early Detection of Glaucoma [10.63014354535366]
網膜血管の構造変化は緑内障発症と進行にとって重要なバイオマーカーである。本稿では,OCTA画像の主血管分割のための教師なし生成AIモデルであるGlaGANを紹介する。また,鮮明な毛細管構造を有する2D/3D緑内障網膜データセットであるGAS-RetVeinも紹介した。
論文参考訳（メタデータ） (2025-03-09T19:56:36Z)
3D Vessel Graph Generation Using Denoising Diffusion [4.100929120985704]
血管ネットワークは3Dグラフとして表現され、疾患のバイオマーカーの予測、血流のシミュレート、合成画像生成の助けとなる。船体木の生成を目的とした従来手法は, 主に自己回帰型であり, キャピラリーなどの周期を持つ船体グラフには適用できなかった。本稿では,3次元血管グラフ生成におけるテキストデノナイズ拡散モデルの最初の応用について紹介する。
論文参考訳（メタデータ） (2024-07-08T11:39:21Z)
Unsupervised Discovery of 3D Hierarchical Structure with Generative Diffusion Features [22.657405088126012]
拡散モデルの特徴は3次元バイオメディカル画像において異なる階層レベルを捉えている。我々は3次元ボリュームを意味のあるネストされたサブボリュームに分解することを奨励する予測的教師なしセグメンテーションネットワークを訓練する。われわれのモデルは、既存の教師なし構造発見手法よりも、難解な合成データセットや現実世界の脳腫瘍MRIデータセットよりも優れた性能を達成している。
論文参考訳（メタデータ） (2023-04-28T19:37:17Z)
Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
論文参考訳（メタデータ） (2022-12-17T15:05:25Z)
Hierarchical Graph Networks for 3D Human Pose Estimation [50.600944798627786]
最近の2次元から3次元の人間のポーズ推定は、人間の骨格のトポロジーによって形成されたグラフ構造を利用する傾向がある。この骨格トポロジーは体の構造を反映するには小さすぎるため、重度の2次元から3次元のあいまいさに悩まされていると我々は主張する。本稿では,これらの弱点を克服するために,新しいグラフ畳み込みネットワークアーキテクチャである階層グラフネットワークを提案する。
論文参考訳（メタデータ） (2021-11-23T15:09:03Z)
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)
Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。この課題を解決するためのハイブリッド表現学習手法を提案します。
論文参考訳（メタデータ） (2020-12-14T05:22:49Z)
Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文参考訳（メタデータ） (2020-07-30T18:23:18Z)
Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。