論文の概要: A Survey of Medical Point Cloud Shape Learning: Registration, Reconstruction and Variation

• arxiv url: http://arxiv.org/abs/2508.03057v1
• Date: Tue, 05 Aug 2025 04:04:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.7689
• Title: A Survey of Medical Point Cloud Shape Learning: Registration, Reconstruction and Variation
• Title（参考訳）: 医療点雲形状学習に関する調査 : 登録・再構築・変動
• Authors: Tongxu Zhang, Zhiming Liang, Bei Wang,
• Abstract要約: ポイントクラウドは、従来のボクセルやメッシュベースのアプローチに代わる、コンパクトで表面保存の可能な3D医療画像の表現として、ますます重要になっている。 近年のディープラーニングの進歩により、ポイントクラウドデータから直接解剖学的形状の抽出、モデリング、分析の急速な進歩が可能となった。
• 参考スコア（独自算出の注目度）: 1.249743555715438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point clouds have become an increasingly important representation for 3D medical imaging, offering a compact, surface-preserving alternative to traditional voxel or mesh-based approaches. Recent advances in deep learning have enabled rapid progress in extracting, modeling, and analyzing anatomical shapes directly from point cloud data. This paper provides a comprehensive and systematic survey of learning-based shape analysis for medical point clouds, focusing on three fundamental tasks: registration, reconstruction, and variation modeling. We review recent literature from 2021 to 2025, summarize representative methods, datasets, and evaluation metrics, and highlight clinical applications and unique challenges in the medical domain. Key trends include the integration of hybrid representations, large-scale self-supervised models, and generative techniques. We also discuss current limitations, such as data scarcity, inter-patient variability, and the need for interpretable and robust solutions for clinical deployment. Finally, future directions are outlined for advancing point cloud-based shape learning in medical imaging.
• Abstract（参考訳）: ポイントクラウドは、従来のボクセルやメッシュベースのアプローチに代わる、コンパクトで表面保存の可能な3D医療画像の表現として、ますます重要になっている。 近年のディープラーニングの進歩により、ポイントクラウドデータから直接解剖学的形状の抽出、モデリング、分析の急速な進歩が可能となった。 本稿では,医学点雲に対する学習に基づく形状解析を包括的かつ体系的に調査し,登録,再構成,変動モデリングの3つの基本的な課題に焦点をあてる。 我々は2021年から2025年までの最近の文献をレビューし、代表的方法、データセット、評価指標を要約し、臨床応用と医学領域におけるユニークな課題を取り上げる。 主なトレンドは、ハイブリッド表現の統合、大規模自己管理モデル、生成技術である。 また、データ不足、患者間の多様性、臨床展開のための解釈可能で堅牢なソリューションの必要性など、現在の制限についても論じる。 最後に、医用画像におけるポイントクラウドに基づく形状学習の今後の方向性について概説する。

関連論文リスト

• From Pixels to Polygons: A Survey of Deep Learning Approaches for Medical Image-to-Mesh Reconstruction [38.67693323186832]
  この調査は、既存のアプローチを、テンプレートモデル、統計モデル、生成モデル、暗黙モデルという4つの主要なカテゴリに体系的に分類する。 心臓画像から神経学的研究まで,様々な解剖学的応用にまたがって,これらの手法を広範囲に評価する。 この調査は、トポロジカルな正しさ、幾何的精度、マルチモーダリティ統合の要件を含む、この分野における現在の課題を明らかにしている。
  論文  参考訳（メタデータ） (2025-05-06T15:01:43Z)
• A Comprehensive Review of U-Net and Its Variants: Advances and Applications in Medical Image Segmentation [0.0]
  本稿では, 画像モダリティに基づいて医用画像データセットを分類し, U-Netとその各種改善モデルについて検討する。 U-NetとU-Netの変種アルゴリズムの4つの中心的改善機構を要約する。 今後の進歩に向けた潜在的な道筋と戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-09T13:11:51Z)
• PUSSM: Point Cloud Upsampling as Implicit Statistical Shape Model [1.4045865137356779]
  本稿では,医用画像分割と点群アップサンプリングを統合した骨盤構造の高忠実化再構築のための枠組みを提案する。 ランドマークやPCAを必要とせずにMedShapePelvicから形状を学習するために雲のアップサンプリングを行うことにより,本手法は暗黙の統計的形状モデルとして機能する。
  論文  参考訳（メタデータ） (2025-01-28T05:47:50Z)
• Generative AI for Synthetic Data Across Multiple Medical Modalities: A Systematic Review of Recent Developments and Challenges [2.1835659964186087]
  本稿では,様々な医療データ型を合成するための生成モデルについて,体系的に検討する。 本研究は、幅広い医療データモダリティを包含し、様々な生成モデルについて検討する。
  論文  参考訳（メタデータ） (2024-06-27T14:00:11Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
  本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。 具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
  論文  参考訳（メタデータ） (2023-10-04T21:57:09Z)
• MedShapeNet -- A Large-Scale Dataset of 3D Medical Shapes for Computer Vision [119.29105800342779]
  MedShapeNetは、医療アプリケーションへのデータ駆動ビジョンアルゴリズムの翻訳を容易にするために開発された。 ユニークな特徴として、実際の患者の画像データに基づいて、形状の大部分を直接モデル化する。 私たちのデータは、WebインターフェースとPythonアプリケーションプログラミングインターフェース(API)を介して自由にアクセスでき、差別的、再構成的、変動的なベンチマークに使用できます。
  論文  参考訳（メタデータ） (2023-08-30T16:52:20Z)
• Interpretable 2D Vision Models for 3D Medical Images [47.75089895500738]
  本研究では,3次元画像処理における中間特徴表現を用いた2次元ネットワークの適応手法を提案する。 我々は、ベンチマークとして3D MedMNISTデータセットと、既存の手法に匹敵する数百の高分解能CTまたはMRIスキャンからなる2つの実世界のデータセットを示す。
  論文  参考訳（メタデータ） (2023-07-13T08:27:09Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• 3D Medical Point Transformer: Introducing Convolution to Attention Networks for Medical Point Cloud Analysis [21.934221178688116]
  医療点雲,すなわち3次元医療点変換器(DMedPT)のための注意モデルを提案する。 コンテクスト情報の拡大とクエリでのローカルレスポンスの要約により、我々のアテンションモジュールは、ローカルコンテキストとグローバルコンテンツ機能インタラクションの両方をキャプチャできる。 IntrAデータセットを用いて行った実験は、3DMedPTの優位性を証明し、最も優れた分類とセグメンテーション結果を得る。
  論文  参考訳（メタデータ） (2021-12-09T12:31:28Z)
• A survey on shape-constraint deep learning for medical image segmentation [0.46023882211671957]
  畳み込みニューラルネットワークとその多くのバリエーションは、ディープラーニングベースの医療画像セグメンテーションの現代の風景を完全に変えました。 これらの手法のピクセルレベルの分類と回帰に対する過度の依存は、問題として早期に特定されている。 セグメンテーション結果が解剖学的に一貫性があることを確認するために、マルコフ/条件付きランダムフィールドに基づくアプローチは、統計的シェイプモデルがますます普及しています。
  論文  参考訳（メタデータ） (2021-01-19T16:52:10Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。