論文の概要: HeartFormer: Semantic-Aware Dual-Structure Transformers for 3D Four-Chamber Cardiac Point Cloud Reconstruction

• arxiv url: http://arxiv.org/abs/2512.00264v1
• Date: Sat, 29 Nov 2025 01:03:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.139231
• Title: HeartFormer: Semantic-Aware Dual-Structure Transformers for 3D Four-Chamber Cardiac Point Cloud Reconstruction
• Title（参考訳）: HeartFormer: セマンティック・アウェアなDual-Structure Transformer for 3D Four-Chamber Cardiac Point Cloud Reconstruction
• Authors: Zhengda Ma, Abhirup Banerjee,
• Abstract要約: 三次元四面体心再構築のための点雲表現に基づく最初の幾何学的深層学習フレームワークを提案する。 HeartFormerは堅牢で正確で汎用的なパフォーマンスを実現し、常に最先端(SOTA)メソッドを上回ります。
• 参考スコア（独自算出の注目度）: 1.8948032845025313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the first geometric deep learning framework based on point cloud representation for 3D four-chamber cardiac reconstruction from cine MRI data. This work addresses a long-standing limitation in conventional cine MRI, which typically provides only 2D slice images of the heart, thereby restricting a comprehensive understanding of cardiac morphology and physiological mechanisms in both healthy and pathological conditions. To overcome this, we propose \textbf{HeartFormer}, a novel point cloud completion network that extends traditional single-class point cloud completion to the multi-class. HeartFormer consists of two key components: a Semantic-Aware Dual-Structure Transformer Network (SA-DSTNet) and a Semantic-Aware Geometry Feature Refinement Transformer Network (SA-GFRTNet). SA-DSTNet generates an initial coarse point cloud with both global geometry features and substructure geometry features. Guided by these semantic-geometry representations, SA-GFRTNet progressively refines the coarse output, effectively leveraging both global and substructure geometric priors to produce high-fidelity and geometrically consistent reconstructions. We further construct \textbf{HeartCompv1}, the first publicly available large-scale dataset with 17,000 high-resolution 3D multi-class cardiac meshes and point-clouds, to establish a general benchmark for this emerging research direction. Extensive cross-domain experiments on HeartCompv1 and UK Biobank demonstrate that HeartFormer achieves robust, accurate, and generalizable performance, consistently surpassing state-of-the-art (SOTA) methods. Code and dataset will be released upon acceptance at: https://github.com/10Darren/HeartFormer.
• Abstract（参考訳）: 三次元四面体心再構築のための点雲表現に基づく最初の幾何学的深層学習フレームワークを提案する。 この研究は、通常心臓の2Dスライス画像のみを提供する従来のシネMRIの長期的制限に対処し、健康状態と病理状態の両方において、心臓形態と生理的メカニズムの包括的な理解を制限する。 これを解決するために,従来の単一クラスのクラウド補完をマルチクラスに拡張する,新しいポイントクラウド補完ネットワークである‘textbf{HeartFormer} を提案する。 HeartFormerはSemantic-Aware Dual-Structure Transformer Network (SA-DSTNet)とSemantic-Aware Geometry Feature Refinement Transformer Network (SA-GFRTNet)の2つの主要なコンポーネントで構成されている。 SA-DSTNetは、大域的幾何学的特徴と部分構造幾何学的特徴の両方を持つ初期粗い点雲を生成する。 これらの意味幾何学的表現によって導かれるSA-GFRTNetは、粗い出力を徐々に洗練し、大域的および下層の幾何学的先行を効果的に活用して、高忠実で幾何的に一貫した再構成を生成する。 さらに、17,000個の高分解能な3次元心筋メッシュとポイントクラウドを備えた最初の大規模データセットである‘textbf{HeartCompv1} を構築し、この新たな研究方向性の一般的なベンチマークを確立する。 HeartCompv1とUK Biobankのクロスドメイン実験は、HeartFormerが堅牢で正確で一般化可能なパフォーマンスを実現し、最先端(SOTA)メソッドを一貫して上回っていることを示している。 コードとデータセットは、 https://github.com/10Darren/HeartFormer.comで公開される。

関連論文リスト

• Vector Representations of Vessel Trees [12.391128284848135]
  本稿では,3次元血管ネットワークに着目した木構造幾何データのベクトル表現を学習するための新しいフレームワークを提案する。 我々のフレームワークであるVeTTAは、医用画像における解剖学的構造を正確に、柔軟で、位相的に一貫したモデリングを提供する。
  論文  参考訳（メタデータ） (2025-06-11T20:34:08Z)
• Boosting Cross-Domain Point Classification via Distilling Relational Priors from 2D Transformers [59.0181939916084]
  従来の3Dネットワークは主に局所幾何学的詳細に焦点を当て、局所幾何学間の位相構造を無視する。 そこで本稿では,大規模画像上においてよく訓練されたトランスフォーマーから前駆体を抽出する,新しい先駆体蒸留法を提案する。 PointDA-10とSim-to-Realデータセットの実験は、提案手法が点クラウド分類におけるUDAの最先端性能を一貫して達成していることを検証する。
  論文  参考訳（メタデータ） (2024-07-26T06:29:09Z)
• Multi-class point cloud completion networks for 3D cardiac anatomy reconstruction from cine magnetic resonance images [4.1448595037512925]
  マルチクラスの心臓解剖学的メッシュを再構築できる新しい完全自動表面再構成パイプラインを提案する。 その鍵となるコンポーネントは、マルチクラスポイントクラウド補完ネットワーク(PCCN)である。
  論文  参考訳（メタデータ） (2023-07-17T14:52:52Z)
• SVDFormer: Complementing Point Cloud via Self-view Augmentation and Self-structure Dual-generator [30.483163963846206]
  本稿では,ポイントクラウド補完における2つの課題に対処するために,新たなネットワークSVDFormerを提案する。 我々はまず,複数視点深度画像情報を利用して不完全な自己形成を観測するセルフビューフュージョンネットワークを設計する。 次に,自己構造デュアルジェネレータ (Self-structure Dual-generator) と呼ばれる改良モジュールを導入する。
  論文  参考訳（メタデータ） (2023-07-17T13:55:31Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Single-view 3D Mesh Reconstruction for Seen and Unseen Categories [69.29406107513621]
  シングルビュー3Dメッシュ再構成は、シングルビューRGB画像から3D形状を復元することを目的とした、基本的なコンピュータビジョンタスクである。 本稿では,一視点3Dメッシュ再構成に取り組み,未知のカテゴリのモデル一般化について検討する。 我々は、再構築におけるカテゴリ境界を断ち切るために、エンドツーエンドの2段階ネットワークであるGenMeshを提案する。
  論文  参考訳（メタデータ） (2022-08-04T14:13:35Z)
• DSG-Net: Learning Disentangled Structure and Geometry for 3D Shape Generation [98.96086261213578]
  DSG-Netは3次元形状の非交叉構造と幾何学的メッシュ表現を学習するディープニューラルネットワークである。 これは、幾何(構造)を不変に保ちながら構造(幾何学)のような不整合制御を持つ新しい形状生成アプリケーションの範囲をサポートする。 本手法は,制御可能な生成アプリケーションだけでなく,高品質な合成形状を生成できる。
  論文  参考訳（メタデータ） (2020-08-12T17:06:51Z)
• Deep Geometric Texture Synthesis [83.9404865744028]
  幾何学的テクスチャを合成するための新しい枠組みを提案する。 単一の参照3Dモデルの局所的な近傍からテクスチャ統計を学習する。 我々のネットワークはメッシュ頂点を任意の方向に変位させ、幾何学的テクスチャの合成を可能にする。
  論文  参考訳（メタデータ） (2020-06-30T19:36:38Z)

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。