論文の概要: Benchmark-Ready 3D Anatomical Shape Classification

• arxiv url: http://arxiv.org/abs/2511.01613v1
• Date: Mon, 03 Nov 2025 14:19:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.292311
• Title: Benchmark-Ready 3D Anatomical Shape Classification
• Title（参考訳）: ベンチマーク対応3次元解剖学的形状分類
• Authors: Tomáš Krsička, Tibor Kubík,
• Abstract要約: 本稿では,自己教師付きグラフ自動符号化による臨床およびベンチマークによる解剖学的形状分類のための2つの重要なステップを紹介する。 三次元解剖学的形状解析におけるグラフ粗大化の効率化と構造保存のための非学習性メッシュプーリング演算子PSPoolingを提案する。 我々はPSPoolingを自己教師付きグラフオートエンコーダに統合し、ラベルのない表面メッシュから解剖学的認識表現を学習する。 実験の結果,PSPoolingは低ラベル状態における復元精度と分類精度を著しく向上させることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Progress in anatomical 3D shape classification is limited by the complexity of mesh data and the lack of standardized benchmarks, highlighting the need for robust learning methods and reproducible evaluation. We introduce two key steps toward clinically and benchmark-ready anatomical shape classification via self-supervised graph autoencoding. We propose Precomputed Structural Pooling (PSPooling), a non-learnable mesh pooling operator designed for efficient and structure-preserving graph coarsening in 3D anatomical shape analysis. PSPooling precomputes node correspondence sets based on geometric proximity, enabling parallelizable and reversible pooling and unpooling operations with guaranteed support structure. This design avoids the sparsity and reconstruction issues of selection-based methods and the sequential overhead of edge contraction approaches, making it particularly suitable for high-resolution medical meshes. To demonstrate its effectiveness, we integrate PSPooling into a self-supervised graph autoencoder that learns anatomy-aware representations from unlabeled surface meshes. We evaluate the downstream benefits on MedShapeNet19, a new curated benchmark dataset we derive from MedShapeNet, consisting of 19 anatomical classes with standardized training, validation, and test splits. Experiments show that PSPooling significantly improves reconstruction fidelity and classification accuracy in low-label regimes, establishing a strong baseline for medical 3D shape learning. We hope that MedShapeNet19 will serve as a widely adopted benchmark for anatomical shape classification and further research in medical 3D shape analysis. Access the complete codebase, model weights, and dataset information here: https://github.com/TomasKrsicka/MedShapeNet19-PSPooling.
• Abstract（参考訳）: 解剖学的3次元形状分類の進歩は、メッシュデータの複雑さと標準化されたベンチマークの欠如によって制限されており、堅牢な学習方法や再現可能な評価の必要性を強調している。 本稿では,自己教師付きグラフ自動符号化による臨床およびベンチマークによる解剖学的形状分類のための2つの重要なステップを紹介する。 本研究では,3次元解剖学的形状解析におけるグラフ粗大化の効率化と保存を目的とした非学習性メッシュプーリング演算子PSPoolingを提案する。 PSPoolingは、幾何学的近接性に基づいてノード対応セットをプリ計算し、並列化可能で可逆的なプーリングと保証されたサポート構造によるアンプール操作を可能にする。 この設計は、選択に基づく手法の幅と再構築の問題やエッジ収縮アプローチの逐次的オーバーヘッドを回避し、特に高分解能な医療メッシュに適している。 その効果を示すために,PSPoolingを自己教師付きグラフオートエンコーダに統合し,未ラベル表面メッシュから解剖学的認識表現を学習する。 我々は、MedShapeNetから得られた新しいベンチマークデータセットであるMedShapeNet19のダウンストリームの利点を評価し、標準化されたトレーニング、検証、テスト分割を備えた19の解剖学的クラスからなる。 実験により,PSPoolingは低ラベル状態下での再現精度と分類精度を著しく向上し,医用3次元形状学習の強力なベースラインを確立した。 我々は,MedShapeNet19が解剖学的形状分類と医学的3次元形状解析のベンチマークとして広く採用されることを願っている。 完全なコードベース、モデルウェイト、データセット情報へのアクセスは、https://github.com/TomasKrsicka/MedShapeNet19-PSPoolingを参照してください。

関連論文リスト

• Iterative Graph Filtering Network for 3D Human Pose Estimation [5.177947445379688]
  グラフ畳み込みネットワーク(GCN)は3次元人間のポーズ推定に有効な手法であることが証明されている。 本稿では,3次元ポーズ推定のための反復グラフフィルタリングフレームワークを提案する。 我々のアプローチは、ラプラシア正規化によるグラフフィルタリングを反復的に解くという考え方に基づいている。
  論文  参考訳（メタデータ） (2023-07-29T20:46:44Z)
• 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)
• Anisotropic Multi-Scale Graph Convolutional Network for Dense Shape Correspondence [3.45989531033125]
  本稿では,コンピュータビジョンとグラフィックスにおけるキー形状解析の応用である3次元高密度形状対応について検討する。 本稿では,幾何学的に有意かつ離散化に依存しない特徴を学習するハイブリッドな幾何学的深層学習モデルを提案する。 得られた対応マップは、ベンチマークデータセット上で最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2022-10-17T22:40:50Z)
• Unsupervised Domain Adaptation through Shape Modeling for Medical Image Segmentation [23.045760366698634]
  医用画像のセグメンテーションを支援するために, 形状を明示的にモデル化し, 利用することを目的としている。 従来の方法では、特定の臓器の形状の分布を学習するための変分オートエンコーダ(VAE)モデルが提案されていた。 本研究では,教師/学生の学習パラダイムの下で,擬似的損失とVAE再構成損失に基づく教師なしドメイン適応パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-07-06T09:16:42Z)
• SurFit: Learning to Fit Surfaces Improves Few Shot Learning on Point Clouds [48.61222927399794]
  SurFitは3次元形状分割ネットワークのラベルを効率的に学習するための単純な手法である。 3次元形状の表面を幾何学的プリミティブに分解する自己指導型タスクに基づいている。
  論文  参考訳（メタデータ） (2021-12-27T23:55:36Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。