論文の概要: An Efficient Model-Driven Groupwise Approach for Atlas Construction

• arxiv url: http://arxiv.org/abs/2508.10743v1
• Date: Thu, 14 Aug 2025 15:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.381737
• Title: An Efficient Model-Driven Groupwise Approach for Atlas Construction
• Title（参考訳）: アトラス構築のための効率的なモデル駆動グループワイズアプローチ
• Authors: Ziwei Zou, Bei Zou, Xiaoyan Kui, Wenqi Lu, Haoran Dou, Arezoo Zakeri, Timothy Cootes, Alejandro F Frangi, Jinming Duan,
• Abstract要約: DARC(Diffeomorphic Atlas Registration via Coordinate descend)は,アトラス構築のためのモデル駆動型グループワイド登録フレームワークである。 DARCは、幅広い画像差分メトリクスをサポートし、GPUメモリ問題を起こすことなく、任意の数の3Dイメージを効率的に処理する。 本研究では,(1)アトラスのみにアノテートしたラベルを逆変形により対象物に伝播させるワンショットセグメンテーションと,(2)アトラスメッシュをワープすることによって新しい解剖学的変異が生成される形状合成の2つの主要な応用例を示す。
• 参考スコア（独自算出の注目度）: 40.43130112593729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atlas construction is fundamental to medical image analysis, offering a standardized spatial reference for tasks such as population-level anatomical modeling. While data-driven registration methods have recently shown promise in pairwise settings, their reliance on large training datasets, limited generalizability, and lack of true inference phases in groupwise contexts hinder their practical use. In contrast, model-driven methods offer training-free, theoretically grounded, and data-efficient alternatives, though they often face scalability and optimization challenges when applied to large 3D datasets. In this work, we introduce DARC (Diffeomorphic Atlas Registration via Coordinate descent), a novel model-driven groupwise registration framework for atlas construction. DARC supports a broad range of image dissimilarity metrics and efficiently handles arbitrary numbers of 3D images without incurring GPU memory issues. Through a coordinate descent strategy and a centrality-enforcing activation function, DARC produces unbiased, diffeomorphic atlases with high anatomical fidelity. Beyond atlas construction, we demonstrate two key applications: (1) One-shot segmentation, where labels annotated only on the atlas are propagated to subjects via inverse deformations, outperforming state-of-the-art few-shot methods; and (2) shape synthesis, where new anatomical variants are generated by warping the atlas mesh using synthesized diffeomorphic deformation fields. Overall, DARC offers a flexible, generalizable, and resource-efficient framework for atlas construction and applications.
• Abstract（参考訳）: アトラス構築は、人口レベルの解剖学的モデリングのようなタスクに対する標準化された空間参照を提供する、医療画像解析の基礎である。 データ駆動型登録手法は最近、ペアワイズ環境での有望性を示しているが、大規模なトレーニングデータセットへの依存、限定的な一般化可能性、グループワイズコンテキストにおける真の推論フェーズの欠如は、その実用性を妨げている。 対照的に、モデル駆動の手法は、大規模な3Dデータセットに適用する場合、スケーラビリティと最適化の課題に直面することが多いが、トレーニングのない、理論的に基礎付けられた、データ効率の代替手段を提供する。 本研究では,Atlas 構築のためのモデル駆動型グループワイド登録フレームワーク DARC (Diffeomorphic Atlas Registration via Coordinate descend) を紹介する。 DARCは、幅広い画像差分メトリクスをサポートし、GPUメモリ問題を起こすことなく、任意の数の3Dイメージを効率的に処理する。 座標降下戦略と中心性強化活性化関数により、DARCは高い解剖学的忠実度を持つ非偏微分型アトラスを生成する。 アトラス構築以外にも,(1)アトラスにアノテートしたラベルが逆変形によって被験者に伝播するワンショットセグメンテーション,(2)最先端のショット・メソッドよりも優れた形状合成,(2)合成された微分変形場を用いてアトラスメッシュをワープすることによって新しい解剖学的変異が生成される形状合成,の2つの重要な応用が示されている。 全体として、DARCはアトラスの構築とアプリケーションのための柔軟で汎用的でリソース効率のよいフレームワークを提供する。

関連論文リスト

• A Lesson in Splats: Teacher-Guided Diffusion for 3D Gaussian Splats Generation with 2D Supervision [65.33043028101471]
  本稿では,2次元監視のみを用いた3次元画像調和拡散モデルの学習フレームワークを提案する。 既存の3D生成モデルは、大規模な3Dデータセットが不足しているため、完全に3Dの監視に依存している。
  論文  参考訳（メタデータ） (2024-12-01T00:29:57Z)
• Label-Efficient 3D Brain Segmentation via Complementary 2D Diffusion Models with Orthogonal Views [10.944692719150071]
  相補的な2次元拡散モデルを用いた新しい3次元脳分割法を提案する。 私たちのゴールは、個々の主題に対して完全なラベルを必要とせずに、信頼性の高いセグメンテーション品質を達成することです。
  論文  参考訳（メタデータ） (2024-07-17T06:14:53Z)
• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• 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)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Aladdin: Joint Atlas Building and Diffeomorphic Registration Learning with Pairwise Alignment [18.338563869053065]
  本研究では、畳み込みニューラルネットワーク(CNN)を用いて、アトラスと静止速度場(SVF)パラメータ化を共同で予測し、微分型画像登録を行う。 提案手法は,他の最先端画像登録アルゴリズムよりも性能がよいことを示す。
  論文  参考訳（メタデータ） (2022-02-07T23:52:21Z)
• Atlas-ISTN: Joint Segmentation, Registration and Atlas Construction with Image-and-Spatial Transformer Networks [11.677800377183972]
  本研究では,2次元および3次元画像データのセグメンテーションと登録を共同で学習するフレームワークであるAtlas-ISTNを提案する。 Atlas-ISTNは、関心の複数の構造をセグメンテーションし、構成された位相的に整合したアトラスラベルマップを中間画素のセグメンテーションに登録する。 このプロセスは、ターゲット画像のノイズを緩和し、刺激的なピクセルワイズ予測をもたらすとともに、モデルのワンパス予測を改善する。
  論文  参考訳（メタデータ） (2020-12-18T21:53:09Z)

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。