論文の概要: Anatomica: Localized Control over Geometric and Topological Properties for Anatomical Diffusion Models
- arxiv url: http://arxiv.org/abs/2511.20587v1
- Date: Tue, 25 Nov 2025 18:18:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-26 17:37:04.604999
- Title: Anatomica: Localized Control over Geometric and Topological Properties for Anatomical Diffusion Models
- Title（参考訳）: 解剖学:解剖学拡散モデルにおける幾何学的・位相的特性の局所的制御
- Abstract要約: Anatomicaは、局所的な地形制御を伴う解剖学的ボクセルマップを生成するための推論時フレームワークである。
我々は、ボクセル的なモーメントを通してサイズ、形状、位置などの幾何学的特徴を制御する一方、連結成分、ループ、空隙といった位相的特徴は、永続的ホモロジーによって強制される。
解剖学は様々な解剖学的システムに柔軟に適用し、任意の次元や座標系上の複雑な構造を制御するために制約を構成する。
- 参考スコア（独自算出の注目度）: 0.6011425044728357
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present Anatomica: an inference-time framework for generating multi-class anatomical voxel maps with localized geo-topological control. During generation, we use cuboidal control domains of varying dimensionality, location, and shape to slice out relevant substructures. These local substructures are used to compute differentiable penalty functions that steer the sample towards target constraints. We control geometric features such as size, shape, and position through voxel-wise moments, while topological features such as connected components, loops, and voids are enforced through persistent homology. Lastly, we implement Anatomica for latent diffusion models, where neural field decoders partially extract substructures, enabling the efficient control of anatomical properties. Anatomica applies flexibly across diverse anatomical systems, composing constraints to control complex structures over arbitrary dimensions and coordinate systems, thereby enabling the rational design of synthetic datasets for virtual trials or machine learning workflows.
- Abstract（参考訳）: 局所的な地形制御を伴うマルチクラス解剖学的ボクセルマップを生成するための推論時フレームワークAnatomicaについて述べる。
生成中は、様々な次元、位置、形状の立方体制御ドメインを使用して、関連するサブ構造をスライスする。
これらの局所構造は、サンプルを目標制約に向けて操る微分可能なペナルティ関数を計算するために使用される。
我々は、ボクセル的なモーメントを通してサイズ、形状、位置などの幾何学的特徴を制御する一方、連結成分、ループ、空隙といった位相的特徴は、永続的ホモロジーによって強制される。
最後に、ニューラルネットワークデコーダが部分的な部分構造を抽出し、解剖学的特性の効率的な制御を可能にする潜伏拡散モデルのためのAnatomicaを実装した。
解剖学は様々な解剖学的システムに柔軟に適用し、任意の次元や座標系上の複雑な構造を制御する制約を構成することにより、仮想トライアルや機械学習ワークフローのための合成データセットの合理的な設計を可能にする。
関連論文リスト
- Learning to Tessellate: Point Cloud Generation via Recursive Spectral Partitioning [58.130498928480456]
本稿では, トポロジ保存型テッセルレーションプロセスとして, 点雲生成を再構成する自己回帰フレームワークであるPointRSPを提案する。
PointRSPは、複雑な3Dトポロジーをまたいだ強力な一般化を証明し、世代品質と多様性の最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-08-03T16:11:43Z) - From Raw Segmentations to Simulation-Ready Cardiac Meshes: An Automated Framework for Anatomical Reconstruction and Virtual Cohort Generation [40.52388056968461]
我々は,CTに基づくセグメンテーションをシミュレーション可能な心筋メッシュに変換する半自動パイプラインを提案する。
Chamfer-Distance morphing 戦略は、トポロジーを保ちながら個々のチャンバーにマッチして、各セグメンテーションハートに対して高品質なテンプレートを変形させる。
パイプラインは、すべての心臓室と近位血管セグメントを含む58個の心臓CTスキャンで検証されている。
論文 参考訳（メタデータ） (2026-06-29T09:07:05Z) - Topological Flow Matching [56.16372813551555]
フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。
トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。
脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
論文 参考訳（メタデータ） (2026-06-14T16:29:33Z) - PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。
PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
論文 参考訳（メタデータ） (2026-06-01T01:43:48Z) - Hierarchical Mesh Transformers with Topology-Guided Pretraining for Morphometric Analysis of Brain Structures [7.663406601980095]
ヘテロジニアスメッシュ解析のための階層型トランスフォーマーフレームワークを提案する。
特徴投影モジュールは、頂点ごとの可変長臨床記述子を空間階層にマッピングする。
我々は、ADNIの体積脳メッシュを用いたアルツハイマー病の分類とアミロイド負荷予測、およびMELDデータセットによる皮質表面メッシュの局所皮質異形成の検出に対するアプローチを検証した。
論文 参考訳（メタデータ） (2026-04-06T22:27:36Z) - High-Fidelity Medical Shape Generation via Skeletal Latent Diffusion [10.218375997417917]
本稿では,高忠実度医療形状生成のための骨格潜伏拡散フレームワークを提案する。
新しい形状は潜在空間拡散モデルによって生成され、次にニューラル暗黙的復号とメッシュ抽出が続く。
MedSDFと船体データセットの実験により,提案手法がより優れた再構成と生成品質を実現することを示す。
論文 参考訳（メタデータ） (2026-03-08T07:18:27Z) - PrIntMesh: Precise Intersection Surfaces for 3D Organ Mesh Reconstruction [37.06867816829073]
PrIntMeshはテンプレートベースのトポロジ保存フレームワークで、臓器を統一されたシステムとして再構築する。
心臓,海馬,肺に効果を示す。
論文 参考訳（メタデータ） (2025-11-20T09:50:56Z) - CardioComposer: Flexible and Compositional Anatomical Structure Generation with Disentangled Geometric Guidance [0.6312872285702812]
本研究では,3次元空間に埋め込まれた解釈可能な楕円体プリミティブを用いて,ヒト解剖学の非条件拡散モデルを導出する枠組みを提案する。
本手法は, 逆拡散過程の導出に幾何モーメントロスを適用した多部分割マップ内の特定の組織の選択を含む。
論文 参考訳（メタデータ） (2025-09-08T23:08:23Z) - Deformable registration and generative modelling of aortic anatomies by auto-decoders and neural ODEs [4.299467172990462]
本研究は, 形状登録のための深層学習モデルであるAD-SVFDを導入する。
AD-SVFDの特徴的な特徴はオートデコーダ構造であり、形状コホートをまたいだ一般化を可能にし、効率的な重量共有を好んでいる。
新しい解剖学は、潜在空間から適切にサンプリングし、対応する逆変換を基準幾何学に適用することで合成することができる。
論文 参考訳（メタデータ） (2025-06-01T10:30:58Z) - JADE: Joint-aware Latent Diffusion for 3D Human Generative Modeling [62.77347895550087]
JADEは人体形状の変化を微粒化制御で学習する生成フレームワークである。
私たちの重要な洞察は、人体を骨格構造に分解する共同認識の潜伏表現です。
提案した分解条件下でのコヒーレントで可塑性な人体形状を生成するため,カスケードパイプラインも提案する。
論文 参考訳（メタデータ） (2024-12-29T14:18:35Z) - A Diffusion Model for Simulation Ready Coronary Anatomy with Morpho-skeletal Control [1.053652600598537]
仮想的介入研究のために,潜在拡散モデルを用いて冠状動脈解剖学をカスタムに合成する方法を検討する。
われわれのフレームワークは、冠動脈解剖学を制御可能な方法で生成・編集することを可能にし、デバイス設計者が機械的洞察を導き出すことを可能にする。
論文 参考訳（メタデータ） (2024-07-22T13:44:06Z) - 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) - Pairwise-Constrained Implicit Functions for 3D Human Heart Modelling [60.56741715207466]
我々は、心を相互依存型SDFの集合としてモデル化するペアワイズ拘束型SDFアプローチを導入する。
本手法は, 単SDF, UDF, ボクセルベース, セグメンテーションベースを用いて, 内部構造精度を大幅に向上させる。
論文 参考訳（メタデータ） (2023-07-16T10:07:15Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳（メタデータ） (2023-04-15T09:39:52Z) - A Generative Shape Compositional Framework to Synthesise Populations of
Virtual Chimaeras [52.33206865588584]
複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。
心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。
提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
論文 参考訳（メタデータ） (2022-10-04T13:36:52Z) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳（メタデータ） (2021-06-17T12:25:44Z) - The role of feature space in atomistic learning [62.997667081978825]
物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。
異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。
原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
論文 参考訳（メタデータ） (2020-09-06T14:12:09Z) - LORCK: Learnable Object-Resembling Convolution Kernels [1.853658628381862]
セグメント化された器官の輪郭をミリ波で学習する,新しい中空核のクラスを提案する。
提案したカーネルを用いて一連のU-Netライクなニューラルネットワークをトレーニングし、様々な時間的畳み込みシナリオにおけるアイデアの優位性を実証する。
我々の結果は、他のドメイン固有のディープラーニングアプリケーションへの道を開いた。
論文 参考訳（メタデータ） (2020-07-09T23:17:40Z)
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。