論文の概要: From 2D to 3D, Deep Learning-based Shape Reconstruction in Magnetic Resonance Imaging: A Review

• arxiv url: http://arxiv.org/abs/2510.01296v1
• Date: Wed, 01 Oct 2025 09:57:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.800089
• Title: From 2D to 3D, Deep Learning-based Shape Reconstruction in Magnetic Resonance Imaging: A Review
• Title（参考訳）: 磁気共鳴画像における2次元から3次元の深層学習による形状再構成
• Authors: Emma McMillian, Abhirup Banerjee, Alfonso Bueno-Orovio,
• Abstract要約: 深層学習に基づく2次元磁気共鳴画像(MRI)からの3次元形状再構成は、医療疾患の診断、治療計画、計算モデルにおいてますます重要になっている。 本稿では,ポイントクラウド,メッシュベース,形状認識,容積モデルという4つの主要なアプローチに注目し,3次元MRI再構成の方法論的展望を概観する。
• 参考スコア（独自算出の注目度）: 1.6859183617372464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based 3-dimensional (3D) shape reconstruction from 2-dimensional (2D) magnetic resonance imaging (MRI) has become increasingly important in medical disease diagnosis, treatment planning, and computational modeling. This review surveys the methodological landscape of 3D MRI reconstruction, focusing on 4 primary approaches: point cloud, mesh-based, shape-aware, and volumetric models. For each category, we analyze the current state-of-the-art techniques, their methodological foundation, limitations, and applications across anatomical structures. We provide an extensive overview ranging from cardiac to neurological to lung imaging. We also focus on the clinical applicability of models to diseased anatomy, and the influence of their training and testing data. We examine publicly available datasets, computational demands, and evaluation metrics. Finally, we highlight the emerging research directions including multimodal integration and cross-modality frameworks. This review aims to provide researchers with a structured overview of current 3D reconstruction methodologies to identify opportunities for advancing deep learning towards more robust, generalizable, and clinically impactful solutions.
• Abstract（参考訳）: 深層学習に基づく2次元磁気共鳴画像(MRI)からの3次元形状再構成は, 医療疾患の診断, 治療計画, 計算モデルにおいてますます重要になっている。 本稿では,ポイントクラウド,メッシュベース,形状認識,容積モデルという4つの主要なアプローチに注目し,3次元MRI再構成の方法論的展望を概観する。 各カテゴリについて、解剖学的構造にまたがる現在の最先端技術、方法論の基礎、限界、応用について分析する。 心臓画像から神経画像,肺画像まで広範囲にわたる概説を行った。 また、疾患解剖学に対するモデルの臨床的適用性や、そのトレーニングおよび検査データの影響にも焦点をあてる。 利用可能なデータセット、計算要求、評価指標について検討する。 最後に、マルチモーダル統合やクロスモーダルフレームワークなど、新たな研究の方向性を強調します。 本総説は, より堅牢で, 汎用的で, 臨床的に影響のあるソリューションに向けて, 深層学習を前進させる機会を特定するために, 現状の3次元再構築手法の構造化された概要を研究者に提供することを目的とする。

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 3D Facial Reconstruction Evaluation Methodology: Comparing Smartphone Scans with Deep Learning Based Methods Using Geometry and Morphometry Criteria [60.865754842465684]
  3次元顔形状解析は臨床応用の可能性から注目されている。 高度な3D顔認証システムの高コスト化は、その普及を制限し、低コストな取得と再構築方法の開発を推進している。 本研究では,形態素形状解析技術を統合することで,従来の幾何学的ベンチマークを超える新しい評価手法を提案する。
  論文  参考訳（メタデータ） (2025-02-13T15:47:45Z)
• Abnormality-Driven Representation Learning for Radiology Imaging [0.8321462983924758]
  病変強調型コントラスト学習(LeCL)は,CTスキャンの異なる部位にわたる2次元軸方向スライスにおける異常により引き起こされる視覚的表現を得るための新しい手法である。 本研究は, 腫瘍病変位置, 肺疾患検出, 患者ステージングの3つの臨床的課題に対するアプローチを, 最先端の4つの基礎モデルと比較した。
  論文  参考訳（メタデータ） (2024-11-25T13:53:26Z)
• Brain3D: Generating 3D Objects from fMRI [76.41771117405973]
  被験者のfMRIデータを入力として利用する新しい3Dオブジェクト表現学習手法であるBrain3Dを設計する。 我々は,人間の視覚系の各領域の異なる機能的特徴を,我々のモデルが捉えていることを示す。 予備評価は、Brain3Dがシミュレーションシナリオで障害した脳領域を正常に識別できることを示唆している。
  論文  参考訳（メタデータ） (2024-05-24T06:06:11Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Towards Generalist Foundation Model for Radiology by Leveraging Web-scale 2D&3D Medical Data [66.9359934608229]
  この研究はRadFMと呼ばれるRadlogy Foundation Modelの開発を開始することを目的としている。 われわれの知る限りでは、これは2Dスキャンと3Dスキャンによる、最初の大規模で高品質な医療用ビジュアル言語データセットである。 本稿では,モダリティ認識,疾患診断,視覚的質問応答,レポート生成,合理的診断の5つのタスクからなる新しい評価ベンチマークRadBenchを提案する。
  論文  参考訳（メタデータ） (2023-08-04T17:00:38Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• 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)
• An Explainable 3D Residual Self-Attention Deep Neural Network FOR Joint Atrophy Localization and Alzheimer's Disease Diagnosis using Structural MRI [22.34325971680329]
  我々は,3D Residual Attention Deep Neural Network(3D ResAttNet)を導入し,SMRIスキャンによるエンドツーエンド学習によるアルツハイマー病早期診断のためのコンピュータ支援手法を提案する。 実験結果から,提案手法は精度と一般化性の観点から,最先端モデルに対して競争上の優位性があることが示唆された。
  論文  参考訳（メタデータ） (2020-08-10T11:08:55Z)

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。