論文の概要: TRELLIS-Enhanced Surface Features for Comprehensive Intracranial Aneurysm Analysis

• arxiv url: http://arxiv.org/abs/2509.03095v1
• Date: Wed, 03 Sep 2025 07:51:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.449964
• Title: TRELLIS-Enhanced Surface Features for Comprehensive Intracranial Aneurysm Analysis
• Title（参考訳）: 包括的頭蓋内大動脈瘤解析におけるTRELLIS強調表面像の検討
• Authors: Clément Hervé, Paul Garnier, Jonathan Viquerat, Elie Hachem,
• Abstract要約: 頭蓋内大動脈瘤は, 注釈付き3Dデータによる検出, デライン化, モデル化が困難である。 本稿では,大規模非医学的3次元データセットに基づいて学習した生成モデルTRELLISで学習した潜在幾何学的埋め込みを利用したクロスドメイン特徴伝達手法を提案する。
• 参考スコア（独自算出の注目度）: 2.624902795082451
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intracranial aneurysms pose a significant clinical risk yet are difficult to detect, delineate and model due to limited annotated 3D data. We propose a cross-domain feature-transfer approach that leverages the latent geometric embeddings learned by TRELLIS, a generative model trained on large-scale non-medical 3D datasets, to augment neural networks for aneurysm analysis. By replacing conventional point normals or mesh descriptors with TRELLIS surface features, we systematically enhance three downstream tasks: (i) classifying aneurysms versus healthy vessels in the Intra3D dataset, (ii) segmenting aneurysm and vessel regions on 3D meshes, and (iii) predicting time-evolving blood-flow fields using a graph neural network on the AnXplore dataset. Our experiments show that the inclusion of these features yields strong gains in accuracy, F1-score and segmentation quality over state-of-the-art baselines, and reduces simulation error by 15\%. These results illustrate the broader potential of transferring 3D representations from general-purpose generative models to specialized medical tasks.
• Abstract（参考訳）: 頭蓋内大動脈瘤は, 注釈付き3Dデータによる検出, デライン化, モデル化が困難である。 本稿では,大規模な非医療用3次元データセットをトレーニングした生成モデルTRELLISで学習した潜在幾何学的埋め込みを利用して,大動脈瘤解析のためのニューラルネットワークを増強するクロスドメイン特徴伝達手法を提案する。 従来の点正規化やメッシュ記述子をTRELLIS表面の特徴に置き換えることで、3つの下流タスクを体系的に強化する。 (i)脳動脈瘤と健康血管を3Dデータセットで分類すること。 二 三次元メッシュ上の大動脈瘤と血管領域の分画 3) AnXploreデータセット上のグラフニューラルネットワークを用いて時間進化する血流場を予測する。 実験の結果,これらの特徴を組み込むことで,最先端のベースラインよりも精度,F1スコア,セグメンテーション品質が向上し,シミュレーション誤差を15倍に削減できることがわかった。 これらの結果は、汎用生成モデルから専門的な医療タスクへの3D表現の移行の可能性を示している。

関連論文リスト

• 2D Ultrasound Elasticity Imaging of Abdominal Aortic Aneurysms Using Deep Neural Networks [0.5249805590164902]
  腹部大動脈瘤 (AAA) は破裂の可能性があるため, 臨床的リスクが高い。 2次元超音波を用いたAAAの弾力性イメージングのためのディープラーニングに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-25T21:42:54Z)
• Structured Spectral Graph Learning for Anomaly Classification in 3D Chest CT Scans [0.0]
  我々は、スペクトル領域の畳み込みによって処理される軸スライス三重項ノードを利用して、CTスキャンを構造化グラフとしてモデル化し、異常分類性能を向上させる新しいグラフベースのアプローチを提案する。 本手法は,z軸変換に頑健性を実現しつつ,強力なクロスデータセットの一般化と競争性能を示す。
  論文  参考訳（メタデータ） (2025-08-01T19:52:34Z)
• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Simulating Realistic MRI variations to Improve Deep Learning model and visual explanations using GradCAM [0.0]
  修正されたHighRes3DNetモデルを用いて、脳MRIボリュームランドマーク検出問題を解く。 Grad-CAMは、モデルがフォーカスしている領域を示す粗いローカライゼーションマップを生成する。
  論文  参考訳（メタデータ） (2021-11-01T11:14:23Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine Framework and Its Adversarial Examples [74.92488215859991]
  本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。 提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。 我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-10-29T15:39:19Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Deep Volumetric Universal Lesion Detection using Light-Weight Pseudo 3D Convolution and Surface Point Regression [23.916776570010285]
  コンピュータ支援型病変/重要なフィンディング検出技術は、医療画像の核心にある。 そこで本研究では,(1) P3DC演算子を組み込んだ深層アンカーフリーワンステージVULDフレームワークを提案する。 3次元病変の空間範囲を効果的に抑圧する新しいSPR法は、その代表的キーポイントを病変表面にピンポイントすることで実現される。
  論文  参考訳（メタデータ） (2020-08-30T19:42:06Z)

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。