論文の概要: Deep Biomechanically-Guided Interpolation for Keypoint-Based Brain Shift Registration

• arxiv url: http://arxiv.org/abs/2508.13762v1
• Date: Tue, 19 Aug 2025 11:58:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.910271
• Title: Deep Biomechanically-Guided Interpolation for Keypoint-Based Brain Shift Registration
• Title（参考訳）: キーポイントに基づく脳移行登録のための深部生体力学的誘導補間法
• Authors: Tiago Assis, Ines P. Machado, Benjamin Zwick, Nuno C. Garcia, Reuben Dorent,
• Abstract要約: キーポイントベースの登録法は、大きな変形や位相変化に対して堅牢性を提供する。 それらは通常、組織を無視して密度の高い変位場を作る単純な幾何学的補間器に依存している。 本稿では,スパース整合キーポイントから高密度で物理的に妥当な脳の変形を推定する新しいディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9779710626805148
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate compensation of brain shift is critical for maintaining the reliability of neuronavigation during neurosurgery. While keypoint-based registration methods offer robustness to large deformations and topological changes, they typically rely on simple geometric interpolators that ignore tissue biomechanics to create dense displacement fields. In this work, we propose a novel deep learning framework that estimates dense, physically plausible brain deformations from sparse matched keypoints. We first generate a large dataset of synthetic brain deformations using biomechanical simulations. Then, a residual 3D U-Net is trained to refine standard interpolation estimates into biomechanically guided deformations. Experiments on a large set of simulated displacement fields demonstrate that our method significantly outperforms classical interpolators, reducing by half the mean square error while introducing negligible computational overhead at inference time. Code available at: \href{https://github.com/tiago-assis/Deep-Biomechanical-Interpolator}{https://github.com/tiago-assis/Deep-Biomechanical-Interpolator}.
• Abstract（参考訳）: 脳波の正確な補正は、神経外科手術中の神経ナビゲーションの信頼性を維持するために重要である。 キーポイントベースの登録法は大きな変形やトポロジカルな変化に対して堅牢性を提供するが、それらは通常、密度の高い変位場を作るために組織力学を無視する単純な幾何学的補間器に依存する。 本研究では,スパース整合キーポイントから高密度で物理的に妥当な脳の変形を推定する新しいディープラーニングフレームワークを提案する。 まず、生体力学シミュレーションを用いて、合成脳の変形の大規模なデータセットを生成する。 次に、残留する3次元U-Netをトレーニングし、標準的な補間推定値を生体力学的に導かれた変形に洗練する。 シミュレーションされた変位場の大規模な実験により,提案手法は古典的補間器を著しく上回り,平均二乗誤差を半分減らし,推論時に無視可能な計算オーバーヘッドを発生させることを示した。 コードは以下の通り。 \href{https://github.com/tiago-assis/deep-Biomechanical-Interpolator}{https://github.com/tiago-assis/deep-Biomechanical-Interpolator}。

関連論文リスト

• NOBLE -- Neural Operator with Biologically-informed Latent Embeddings to Capture Experimental Variability in Biological Neuron Models [68.89389652724378]
  NOBLEは、解釈可能なニューロンの特徴を連続周波数変調した埋め込みから電流注入によって誘導されるソマティック電圧応答へのマッピングを学ぶ神経オペレーターフレームワークである。 内在的な実験変数を考慮したニューラルダイナミクスの分布を予測する。 NOBLEは、実際の実験データに基づいて検証された最初のスケールアップされたディープラーニングフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T01:01:18Z)
• Delving Deeper Into Astromorphic Transformers [1.7595244858303718]
  本稿では,トランスフォーマーの自己保持機構を模倣するために,ニューロン-シナプス-アストロサイト相互作用の様々な重要な側面を深く掘り下げる。 感情とイメージの分類タスクの分析は、アストロモルフィックトランスフォーマーの利点を強調し、精度と学習速度を改善した。
  論文  参考訳（メタデータ） (2023-12-18T04:35:07Z)
• General Neural Gauge Fields [100.35916421218101]
  我々はゲージ変換とニューラルネットワークを協調的に最適化する学習フレームワークを開発した。 我々は、シーン情報を本質的に保存し、優れた性能を得ることができる情報不変ゲージ変換を導出する。
  論文  参考訳（メタデータ） (2023-05-05T12:08:57Z)
• Neuromechanical Autoencoders: Learning to Couple Elastic and Neural Network Nonlinearity [15.47367187516723]
  私たちは機械学習のアナログを開発しようとしています。 メカニカルインテリジェンス 複素非線形弾性体のモルフォロジーとaを共に学習する。 ディープ・ニューラル・ネットワークで制御できます
  論文  参考訳（メタデータ） (2023-01-31T19:04:28Z)
• Research on the Inverse Kinematics Prediction of a Soft Biomimetic Actuator via BP Neural Network [5.694781677024249]
  本研究では,3室駆動のソフトバイオミメティックアクチュエータの動作計画における逆運動論的問題に対処する。 本稿では,3次元空間を移動するソフトバイオミメティックアクチュエータの逆動力学を学習するバックプロパゲーションニューラルネットワークを提案する。 提案アルゴリズムは解析モデルよりも精度が高い。
  論文  参考訳（メタデータ） (2021-10-26T05:24:39Z)
• Deep Metric Learning with Locality Sensitive Angular Loss for Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
  本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。 本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。 このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
  論文  参考訳（メタデータ） (2021-10-13T21:51:56Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Hyperbolic Neural Networks++ [66.16106727715061]
  ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。 実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
  論文  参考訳（メタデータ） (2020-06-15T08:23:20Z)

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。