論文の概要: Shape Deformation Networks for Automated Aortic Valve Finite Element Meshing from 3D CT Images

• arxiv url: http://arxiv.org/abs/2511.03890v1
• Date: Wed, 05 Nov 2025 22:33:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.228642
• Title: Shape Deformation Networks for Automated Aortic Valve Finite Element Meshing from 3D CT Images
• Title（参考訳）: 3次元CT画像からの自動大動脈弁有限要素メッシュのための形状変形ネットワーク
• Authors: Linchen Qian, Jiasong Chen, Ruonan Gong, Wei Sun, Minliang Liu, Liang Liang,
• Abstract要約: 我々は,3次元CT画像から構造化クワッドメッシュを生成するために,深層ニューラルネットワークを用いたテンプレート適合パイプラインを提案する。 クアッドメッシュテンプレートを用いて全患者の大動脈弁をリメッシングすることにより,一貫したノード間および要素間対応で一貫したメッシュトポロジーを確保できる。
• 参考スコア（独自算出の注目度）: 3.4794111410037387
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate geometric modeling of the aortic valve from 3D CT images is essential for biomechanical analysis and patient-specific simulations to assess valve health or make a preoperative plan. However, it remains challenging to generate aortic valve meshes with both high-quality and consistency across different patients. Traditional approaches often produce triangular meshes with irregular topologies, which can result in poorly shaped elements and inconsistent correspondence due to inter-patient anatomical variation. In this work, we address these challenges by introducing a template-fitting pipeline with deep neural networks to generate structured quad (i.e., quadrilateral) meshes from 3D CT images to represent aortic valve geometries. By remeshing aortic valves of all patients with a common quad mesh template, we ensure a uniform mesh topology with consistent node-to-node and element-to-element correspondence across patients. This consistency enables us to simplify the learning objective of the deep neural networks, by employing a loss function with only two terms (i.e., a geometry reconstruction term and a smoothness regularization term), which is sufficient to preserve mesh smoothness and element quality. Our experiments demonstrate that the proposed approach produces high-quality aortic valve surface meshes with improved smoothness and shape quality, while requiring fewer explicit regularization terms compared to the traditional methods. These results highlight that using structured quad meshes for the template and neural network training not only ensures mesh correspondence and quality but also simplifies the training process, thus enhancing the effectiveness and efficiency of aortic valve modeling.
• Abstract（参考訳）: 3次元CT画像からの大動脈弁の正確な幾何学的モデリングは,弁の健全性を評価するための生体力学的解析や患者固有のシミュレーション,あるいは術前の計画立案に不可欠である。 しかし, 大動脈弁メッシュの生成は, 異なる患者にまたがって, 高品質かつ整合性を持たせることが困難である。 伝統的なアプローチは、しばしば不規則なトポロジを持つ三角形のメッシュを生成し、患者間の解剖学的変異によって、不整合な形状の要素や不整合をもたらす。 本研究では, 深層ニューラルネットワークを用いたテンプレート適合パイプラインを導入し, 3次元CT画像から構築されたクアッドメッシュ(四角形)を生成し, 大動脈弁形状を表現することで, これらの課題に対処する。 一般的なクアッドメッシュテンプレートで全患者の大動脈弁を再現することにより、一貫したノード間および要素間対応で一貫したメッシュトポロジーを確保することができる。 この一貫性により、メッシュの滑らかさと要素品質を維持するのに十分な2項の損失関数(幾何再構成項と滑らか度正規化項)を用いることで、ディープニューラルネットワークの学習目的を簡素化することができる。 提案手法は, 従来手法に比べて明確な正規化条件を必要とせず, 滑らかさと形状の良質さを向上した高品質な大動脈弁表面メッシュを作製することを示した。 これらの結果は、テンプレートとニューラルネットワークのトレーニングに構造化クワッドメッシュを使用することで、メッシュの対応と品質を保証するだけでなく、トレーニングプロセスの簡素化も実現し、大動脈弁モデリングの有効性と効率を向上させることを強調している。

関連論文リスト

• Deep Learning-Based Cross-Anatomy CT Synthesis Using Adapted nnResU-Net with Anatomical Feature Prioritized Loss [3.583510367091671]
  マルチセンターSynthRAD2025データセットを用いて, MRからCTへの3D nnUNet適応とCTへのCBCTへのCT画像変換を提案する。
  論文  参考訳（メタデータ） (2025-09-26T14:22:15Z)
• FCaS: Fine-grained Cardiac Image Synthesis based on 3D Template Conditional Diffusion Model [23.9686884119236]
  本稿では,3次元テンプレート条件付き拡散モデル上に構築された細粒度心臓画像合成フレームワークを提案する。 FCaSはテンプレート誘導条件拡散モデル(TCDM)を用いた正確な心構造生成を実現する 本稿では,不正確な合成画像による混乱を軽減するために,信頼を意識した適応学習(CAL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-12T17:25:09Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• Deep Conditional Shape Models for 3D cardiac image segmentation [1.4042211166197214]
  本稿では,Deep Shape Model (DCSM) Conditional をコアコンポーネントとする新しいセグメンテーションアルゴリズムを提案する。 生成した形状を画像に合わせるため、形状モデルを解剖学的ランドマークに条件付けし、ユーザーが自動的に検出または提供することができる。 局所的な改善を伴わずに非造影CTの基準線を上回り, 造影CT, 3DE, 特にハウスドルフ距離を著しく改善した。
  論文  参考訳（メタデータ） (2023-10-16T18:38:26Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• Mesh convolutional neural networks for wall shear stress estimation in 3D artery models [7.7393800633675465]
  CFDと同じ有限要素表面メッシュ上で直接動作するメッシュ畳み込みニューラルネットワークを提案する。 このメッシュ上での3次元壁せん断応力ベクトルを正確に予測できることが,我々のフレキシブルディープラーニングモデルにより示されている。
  論文  参考訳（メタデータ） (2021-09-10T11:32:05Z)
• 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)
• 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)

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。