論文の概要: LV-Net: Anatomy-aware lateral ventricle shape modeling with a case study on Alzheimer's disease, the Australian Imaging Biomarkers and Lifestyle flagship study of ageing
- arxiv url: http://arxiv.org/abs/2508.06055v1
- Date: Fri, 08 Aug 2025 06:25:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-11 20:39:06.101513
- Title: LV-Net: Anatomy-aware lateral ventricle shape modeling with a case study on Alzheimer's disease, the Australian Imaging Biomarkers and Lifestyle flagship study of ageing
- Title（参考訳）: LV-Net:解剖学的に認識される側方静脈形態のモデリング : アルツハイマー病,オーストラリア画像バイオマーカー,ライフスタイルの老化のフラッグシップ研究を事例として
- Authors: Wonjung Park, Suhyun Ahn, Jinah Park,
- Abstract要約: 我々は,脳MRIから3次元LVメッシュを生成するための新しいフレームワークであるLV-Netを紹介した。
セグメンテーションの不完全性が存在する場合でも,LV-Netはより優れた再構成精度が得られることを示す。
LV-Netをアルツハイマー病解析に適用し,LVサブリージョンの同定を行った。
- 参考スコア（独自算出の注目度）: 0.3277163122167433
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lateral ventricle (LV) shape analysis holds promise as a biomarker for neurological diseases; however, challenges remain due to substantial shape variability across individuals and segmentation difficulties arising from limited MRI resolution. We introduce LV-Net, a novel framework for producing individualized 3D LV meshes from brain MRI by deforming an anatomy-aware joint LV-hippocampus template mesh. By incorporating anatomical relationships embedded within the joint template, LV-Net reduces boundary segmentation artifacts and improves reconstruction robustness. In addition, by classifying the vertices of the template mesh based on their anatomical adjacency, our method enhances point correspondence across subjects, leading to more accurate LV shape statistics. We demonstrate that LV-Net achieves superior reconstruction accuracy, even in the presence of segmentation imperfections, and delivers more reliable shape descriptors across diverse datasets. Finally, we apply LV-Net to Alzheimer's disease analysis, identifying LV subregions that show significantly associations with the disease relative to cognitively normal controls. The codes for LV shape modeling are available at https://github.com/PWonjung/LV_Shape_Modeling.
- Abstract（参考訳）: 側方心室形態解析(LV)は神経疾患のバイオマーカーとして有望であるが, 個人間での相当な形状変化とMRI解像度の制限による分画困難により, 課題は残る。
我々は、解剖学的に認識された関節型LV-海馬テンプレートメッシュを変形させることにより、脳MRIから個別化した3次元LVメッシュを作成するための新しいフレームワークであるLV-Netを紹介した。
関節テンプレートに埋め込まれた解剖学的関係を組み込むことで、LV-Netは境界セグメンテーションのアーティファクトを減らし、再構築の堅牢性を向上させる。
さらに, 解剖学的隣接度に基づいてテンプレートメッシュの頂点を分類することにより, 被験者間の点対応性を高め, より正確なLV形状統計を導出する。
セグメンテーションの不完全性が存在する場合でも,LV-Netはより優れた再構成精度を実現し,多様なデータセットにわたってより信頼性の高い形状記述子を提供することを示した。
最後に,LV-Netをアルツハイマー病解析に適用し,認知的正常なコントロールに対して,疾患と顕著な関連性を示すLVサブリージョンを同定した。
LV形状モデリングのコードはhttps://github.com/PWonjung/LV_Shape_Modelingで公開されている。
関連論文リスト
- MLV$^2$-Net: Rater-Based Majority-Label Voting for Consistent Meningeal Lymphatic Vessel Segmentation [2.1426965782155443]
髄膜リンパ管(MLV)は、ヒトの脳から廃棄物を排出する役割を担っている。
MLVはMRI(MRI)で初めて報告されたばかりである。
論文 参考訳（メタデータ） (2024-11-13T11:35:39Z) - Lateral Ventricle Shape Modeling using Peripheral Area Projection for Longitudinal Analysis [0.3277163122167433]
側心室形状(LV)の変形は, 疾患に伴う特定の形態的変化を明らかにするために広く研究されている。
周辺領域のプロジェクションを用いた新しい深層学習手法を提案し,その周辺領域を考慮したLV解析の試みを行った。
論文 参考訳（メタデータ） (2024-09-23T01:49:24Z) - Signed Distance Field based Segmentation and Statistical Shape Modelling
of the Left Atrial Appendage [0.13431733228151765]
心房細動の患者は虚血性脳梗塞のリスクを5〜7倍に高める。
血栓局在の最も一般的な部位は左心房補助 (LAA) 内である
研究により、LAAの形状と虚血性脳卒中リスクの相関が示されている。
論文 参考訳（メタデータ） (2024-02-12T15:21:58Z) - ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。
これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。
テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
論文 参考訳（メタデータ） (2023-12-11T07:09:32Z) - Shape of my heart: Cardiac models through learned signed distance functions [33.29148402516714]
本研究では、リプシッツ正則性を持つ3次元深部符号距離関数を用いて心臓の形状を再構成する。
この目的のために、心臓MRIの形状を学習し、複数の室の空間的関係をモデル化する。
また,本手法は1つの心室からの点雲などの部分的データから解剖モデルを再構築することも可能であることを示す。
論文 参考訳（メタデータ） (2023-08-31T09:02:53Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳（メタデータ） (2023-01-02T17:47:27Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Context-Aware Refinement Network Incorporating Structural Connectivity
Prior for Brain Midline Delineation [50.868845400939314]
UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。
正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。
提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
論文 参考訳（メタデータ） (2020-07-10T14:01:20Z)
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。