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
- Authors: Karim Kadry, Abdallah Abdelwahed, Shoaib Goraya, Ajay Manicka, Naravich Chutisilp, Farhad Nezami, Elazer Edelman,
- 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
- 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) - 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)
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。