論文の概要: multimodars: A Rust-powered toolkit for multi-modality cardiac image fusion and registration

• arxiv url: http://arxiv.org/abs/2510.06241v1
• Date: Fri, 03 Oct 2025 08:09:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.049137
• Title: multimodars: A Rust-powered toolkit for multi-modality cardiac image fusion and registration
• Title（参考訳）: multimodars: マルチモダリティ心画像融合と登録のためのRustベースのツールキット
• Authors: Anselm W. Stark, Marc Ilic, Ali Mokhtari, Pooya Mohammadi Kazaj, Christoph Graeni, Isaac Shiri,
• Abstract要約: 血管内イメージングは、サブミリメートルの解像度を与えるが、全血管のコンテキストは制限されるが、CCTAは3D形状を提供するが、空間解像度とアーチファクトが制限される。 これまでの研究は血管内/CCTA融合を実証していたが、多状態解析に適したオープンで柔軟なツールキットは存在しなかった。 マルチモーダルは、決定論的アライメントアルゴリズム、コンパクトなNumPy中心のデータモデル、スケーラブルで再現可能な実験に適した最適化されたRustバックエンドによって、このギャップに対処する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Combining complementary imaging modalities is critical to build reliable 3D coronary models: intravascular imaging gives sub-millimetre resolution but limited whole-vessel context, while CCTA supplies 3D geometry but suffers from limited spatial resolution and artefacts (e.g., blooming). Prior work demonstrated intravascular/CCTA fusion, yet no open, flexible toolkit is tailored for multi-state analysis (rest/stress, pre-/post-stenting) while offering deterministic behaviour, high performance, and easy pipeline integration. multimodars addresses this gap with deterministic alignment algorithms, a compact NumPy-centred data model, and an optimised Rust backend suitable for scalable, reproducible experiments. The package accepts CSV/NumPy inputs including data formats produced by the AIVUS-CAA software
• Abstract（参考訳）: 血管内イメージングはサブミリメートルの解像度を与えるが、全血管のコンテキストは限定的であるのに対し、CCTAは3D幾何学を提供するが、空間分解能と人工物(例えば、開花)に悩まされている。 これまでの研究では、血管内/CCTAの融合が実証されていたが、マルチステート分析(レスト/ストレス、プレ/ポストステンティング)に適したオープンで柔軟なツールキットは存在せず、決定論的動作、高性能、パイプライン統合が提供されていた。 マルチモーダルは、決定論的アライメントアルゴリズム、コンパクトなNumPy中心のデータモデル、スケーラブルで再現可能な実験に適した最適化されたRustバックエンドによって、このギャップに対処する。 このパッケージは、AIVUS-CAAソフトウェアによって作成されたデータフォーマットを含むCSV/NumPy入力を受け付けている。

関連論文リスト

• Multi-Resolution Alignment for Voxel Sparsity in Camera-Based 3D Semantic Scene Completion [52.959716866316604]
  カメラベースの3Dセマンティックシーン補完(SSC)は、周囲の3Dシーンにおける各ボクセルの幾何学的占有度と意味ラベルを画像入力で評価するためのコスト効率の良いソリューションを提供する。 既存の手法は、自律運転シナリオにおけるボクセルの大部分が空であるので、ボクセルの空間性という課題に直面している。 カメラを用いた3Dセマンティックシーン補完におけるボクセル空間の分散を緩和するために,textitMulti-Resolution Alignment (MRA) アプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-03T10:46:51Z)
• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• MuSASplat: Efficient Sparse-View 3D Gaussian Splats via Lightweight Multi-Scale Adaptation [92.57609195819647]
  MuSASplatは、ポーズなしフィードフォワード3Dガウスモデルの計算負担を劇的に削減する新しいフレームワークである。 我々のアプローチの中心は、ほんのわずかなトレーニングパラメータだけで、ViTベースのアーキテクチャを効率的に微調整できる軽量なマルチスケールアダプタである。
  論文  参考訳（メタデータ） (2025-12-08T04:56:46Z)
• TomoGraphView: 3D Medical Image Classification with Omnidirectional Slice Representations and Graph Neural Networks [2.2906925991630085]
  3次元医用画像分類は、複雑な空間的関係と、アクセス可能なデータに固有の長距離依存のため、依然として困難な課題である。 近年の研究では、医用画像解析のための強力な特徴抽出器として、当初自然画像に基づいて訓練された2次元視覚基盤モデルの可能性を強調している。 我々は,全方向ボリュームスライシングと球面グラフに基づく特徴集約を統合した新しいフレームワークである TomoGraphView を提案する。
  論文  参考訳（メタデータ） (2025-11-12T16:30:34Z)
• Boosting Multi-View Indoor 3D Object Detection via Adaptive 3D Volume Construction [10.569056109735735]
  本研究では,適応型3次元ボリューム構造に基づく室内3次元物体検出フレームワークであるSGCDetを提案する。 各画像の適応領域に幾何学的・文脈的情報を統合するための幾何学的・文脈的アグリゲーションモジュールを導入する。 SGCDetは、ScanNet、ScanNet200、ARKitScenesデータセット上で最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-07-24T11:58:01Z)
• Revisiting CLIP: Efficient Alignment of 3D MRI and Tabular Data using Domain-Specific Foundation Models [2.0749231618270803]
  画像エンコーダとして、ドメイン固有の3D基盤モデルをトレーニングすることで、CLIPスタイルのアライメントを再考する。 本手法は,3次元のトレーニングに必要な簡易な埋め込み蓄積戦略によって実現されている。
  論文  参考訳（メタデータ） (2025-01-23T19:34:48Z)
• fVDB: A Deep-Learning Framework for Sparse, Large-Scale, and High-Performance Spatial Intelligence [55.582429009401956]
  fVDBは、大規模な3Dデータのディープラーニングのための新しいフレームワークである。 私たちのフレームワークは、既存のパイプラインとの相互運用性を可能にするPyTorchと完全に統合されています。
  論文  参考訳（メタデータ） (2024-07-01T20:20:33Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• FusionFormer: A Multi-sensory Fusion in Bird's-Eye-View and Temporal Consistent Transformer for 3D Object Detection [14.457844173630667]
  本稿では,FusionFormerと呼ばれる,エンドツーエンドのマルチモーダル・フュージョン・トランスフォーマーベースのフレームワークを提案する。 均一なサンプリング戦略を開発することにより,2次元画像と3次元ボクセルの特徴を自発的に抽出することができる。 テスト時間増強を伴わない3次元物体検出タスクにおいて,72.6% mAP と 75.1% NDS の最先端シングルモデル性能を実現する。
  論文  参考訳（メタデータ） (2023-09-11T06:27:25Z)
• MSeg3D: Multi-modal 3D Semantic Segmentation for Autonomous Driving [15.36416000750147]
  マルチモーダルな3次元セマンティックセグメンテーションモデル(MSeg3D)を提案する。 MSeg3Dは依然として堅牢性を示し、LiDARのみのベースラインを改善している。
  論文  参考訳（メタデータ） (2023-03-15T13:13:03Z)
• Multi-View Photometric Stereo Revisited [100.97116470055273]
  多視点測光ステレオ(MVPS)は、画像から被写体を詳細に正確に3D取得する方法として好まれる。 MVPSは異方性や光沢などの他の対象物質と同様に,等方性に対しても有効である。 提案手法は、複数のベンチマークデータセットで広範囲にテストした場合に、最先端の結果を示す。
  論文  参考訳（メタデータ） (2022-10-14T09:46:15Z)
• MISSU: 3D Medical Image Segmentation via Self-distilling TransUNet [55.16833099336073]
  医用画像セグメンテーションのためのトランスフォーマーベースUNetを提案する。 グローバルな意味情報と局所的な空間的詳細特徴を同時に学習する。 MISSUは従来の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-02T07:38:53Z)
• CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
  畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。 本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T13:34:22Z)

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。