論文の概要: Reconstruction of three-dimensional shapes of normal and disease-related erythrocytes from partial observations using multi-fidelity neural networks

• arxiv url: http://arxiv.org/abs/2511.14962v1
• Date: Tue, 18 Nov 2025 23:04:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.557197
• Title: Reconstruction of three-dimensional shapes of normal and disease-related erythrocytes from partial observations using multi-fidelity neural networks
• Title（参考訳）: 多要素ニューラルネットワークによる正常および疾患関連赤血球の三次元形状の再構成
• Authors: Haizhou Wen, He Li, Zhen Li,
• Abstract要約: 3次元赤血球または赤血球の形態を部分観察から再構築することは、RBCの老化と様々なRBC疾患の病態を理解するのに不可欠である。 RBCの高忠実度断面を融合するMFNN手法を提案し, 形状的に類似した低忠実度参照3DRBC形状を用いて, 完全な3次元表面を復元する。 以上の結果から,MFNN予測器は,少なくとも2つの斜め断面を持つ場合,95%以上の座標精度で複雑なRBC形態を再構築可能であることがわかった。
• 参考スコア（独自算出の注目度）: 7.337452993095275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstruction of 3D erythrocyte or red blood cell (RBC) morphology from partial observations, such as microscope images, is essential for understanding the physiology of RBC aging and the pathology of various RBC disorders. In this study, we propose a multi-fidelity neural network (MFNN) approach to fuse high-fidelity cross-sections of an RBC, with a morphologically similar low-fidelity reference 3D RBC shape to recover its full 3D surface. The MFNN predictor combines a convolutional neural network trained on low-fidelity reference RBC data with a feedforward neural network that captures nonlinear morphological correlations, and augments training with surface area and volume constraints for regularization in the low-fidelity branch. This approach is theoretically grounded by a topological homeomorphism between a sphere and 3D RBC surfaces, with training data generated by dissipative particle dynamics simulations of stomatocyte-discocyte-echinocyte transformation. Benchmarking across diverse RBC shapes observed in normal and aged populations, our results show that the MFNN predictor can reconstruct complex RBC morphologies with over 95% coordinate accuracy when provided with at least two orthogonal cross-sections. It is observed that informative oblique cross-sections intersecting spicule tips of echinocytes improve both local and global feature reconstruction, highlighting the value of feature-aware sampling. Our study further evaluates the influence of sampling strategies, shape dissimilarity, and noise, showing enhanced robustness under physically constrained training. Altogether, these results demonstrate the capability of MFNN to reconstruct the 3D shape of normal and aged RBCs from partial cross-sections as observed in conventional microscope images, which could facilitate the quantitative analysis of RBC morphological parameters in normal and disease-related RBC samples.
• Abstract（参考訳）: 3次元赤血球または赤血球の形態を顕微鏡画像などの部分的観察から再構築することは、RBC加齢の生理学と様々なRBC疾患の病態を理解するのに不可欠である。 本研究では, RBC の高密度断面を融合する多次元ニューラルネットワーク (MFNN) を提案し, 形状的に類似した低密度参照3D RBC 形状を用いて, 完全な3次元表面を復元する。 MFNN予測器は、低忠実度参照RBCデータに基づいてトレーニングされた畳み込みニューラルネットワークと非線形形態的相関をキャプチャするフィードフォワードニューラルネットワークを結合し、低忠実度分岐における正規化のための表面積と体積制限によるトレーニングを強化する。 この手法は、球面と3次元RBC表面の間のトポロジカルな同相性によって理論的に基礎付けられ、ストマトサイト-細胞-エキノサイト変換の散逸的粒子動力学シミュレーションによって生成されたトレーニングデータによって生成される。 以上の結果から,MFNN予測器は,少なくとも2つの直交断面を持つ場合,95%以上の座標精度で複雑なRBC形態を再構築可能であることが示された。 角膜の先端を交差する情報的斜め断面は局所的および大域的特徴再構成を改善し,特徴認識サンプリングの価値を強調した。 本研究は, 物理的拘束訓練におけるサンプリング戦略, 形状異方性, 騒音の影響について検討した。 これらの結果は, 従来の顕微鏡画像のように, 正常および高齢RBCの3次元形状を部分断面から再構築するMFNNの能力を示し, 正常および疾患関連RBC試料におけるRBC形態パラメータの定量的解析を容易にする。

関連論文リスト

• TRELLIS-Enhanced Surface Features for Comprehensive Intracranial Aneurysm Analysis [2.624902795082451]
  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。
  論文  参考訳（メタデータ） (2025-09-03T07:51:17Z)
• Multimodal Conditional MeshGAN for Personalized Aneurysm Growth Prediction [11.248858642567773]
  MCMeshGANは3次元大動脈瘤進展予測のための条件付きメッシュ・メシュ生成逆数ネットワークである。 専用条件分岐は、臨床属性(年齢、性別)と目標時間間隔を符号化し、解剖学的に妥当で、時間的に制御された予測を生成する。 MCMeshGANは、幾何学的精度と臨床的に重要な直径推定の両方において、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-08-27T13:25:52Z)
• Equivariant spatio-hemispherical networks for diffusion MRI deconvolution [5.680416078423551]
  本稿では,$math(3) times SO(3)$ groupに同値な畳み込みネットワーク層を開発することにより,そのような球面データの解析を推し進める。 白色物質を回収するスパース球状繊維デコンボリューションの文脈において、提案した同変ネットワーク層は、性能と効率性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-11-18T18:37:39Z)
• TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
  そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。 本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
  論文  参考訳（メタデータ） (2024-11-05T19:35:10Z)
• Reconstruction of Cortical Surfaces with Spherical Topology from Infant Brain MRI via Recurrent Deformation Learning [16.9042503785353]
  MRIからの皮質表面再構成(CSR)は、脳の構造と機能を研究する鍵となる。 本稿では,数秒以内に効率よく球面マッピングを行う手法を提案する。 乳児期脳MRIに対するアプローチの有効性を実証し,CSRに重大な課題を提起した。
  論文  参考訳（メタデータ） (2023-12-10T20:20:16Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• Spherical convolutional neural networks can improve brain microstructure estimation from diffusion MRI data [0.35998666903987897]
  拡散磁気共鳴イメージングは脳組織の微細構造に敏感である。 測定された信号から臨床および科学的に関係する微細構造特性を推定することは、機械学習が解決するのに役立つ非常に難しい逆問題である。 我々は、効率的にシミュレートされた雑音データから地中構造パラメータ値を予測するために、球面畳み込みニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2022-11-17T20:52:00Z)
• MonoSDF: Exploring Monocular Geometric Cues for Neural Implicit Surface Reconstruction [72.05649682685197]
  最先端のニューラル暗黙法は、多くの入力ビューから単純なシーンの高品質な再構築を可能にする。 これは主に、十分な制約を提供していないRGB再構築損失の固有の曖昧さによって引き起こされる。 近年の単分子形状予測の分野での進歩に触発され, ニューラルな暗黙的表面再構成の改善にこれらの方法が役立つかを探究する。
  論文  参考訳（メタデータ） (2022-06-01T17:58:15Z)
• 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)
• 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)
• Scale-Space Autoencoders for Unsupervised Anomaly Segmentation in Brain MRI [47.26574993639482]
  本研究では, 異常セグメンテーション性能の向上と, ネイティブ解像度で入力データのより鮮明な再構成を行う汎用能力を示す。 ラプラシアンピラミッドのモデリングにより、複数のスケールで病変のデライン化と集約が可能になる。
  論文  参考訳（メタデータ） (2020-06-23T09:20:42Z)

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。