論文の概要: Neural Implicit Heart Coordinates: 3D cardiac shape reconstruction from sparse segmentations

• arxiv url: http://arxiv.org/abs/2512.19316v2
• Date: Tue, 23 Dec 2025 09:25:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-24 15:12:21.139897
• Title: Neural Implicit Heart Coordinates: 3D cardiac shape reconstruction from sparse segmentations
• Title（参考訳）: ニューラル・インシシシット・ハート・コーディネート:スパース・セグメンテーションによる3次元心臓形状再構成
• Authors: Marica Muffoletto, Uxio Hermida, Charlène Mauger, Avan Suinesiaputra, Yiyang Xu, Richard Burns, Lisa Pankewitz, Andrew D McCulloch, Steffen E Petersen, Daniel Rueckert, Alistair A Young,
• Abstract要約: 本稿では,一様心室座標に基づく暗黙座標系であるNIHC(Neural Implicit Heart Coordinates)を導入する。 提案手法は, NIHCを限られた数の2次元セグメンテーション(スパース取得)から直接予測し, それらを高分解能メッシュと高密度3次元セグメンテーションにデコードする。 5000個の心臓メッシュの大規模なデータセットでトレーニングされたこのモデルは、臨床輪郭の解剖学的に高い再現精度を達成する。
• 参考スコア（独自算出の注目度）: 14.200667111973729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate reconstruction of cardiac anatomy from sparse clinical images remains a major challenge in patient-specific modeling. While neural implicit functions have previously been applied to this task, their application to mapping anatomical consistency across subjects has been limited. In this work, we introduce Neural Implicit Heart Coordinates (NIHCs), a standardized implicit coordinate system, based on universal ventricular coordinates, that provides a common anatomical reference frame for the human heart. Our method predicts NIHCs directly from a limited number of 2D segmentations (sparse acquisition) and subsequently decodes them into dense 3D segmentations and high-resolution meshes at arbitrary output resolution. Trained on a large dataset of 5,000 cardiac meshes, the model achieves high reconstruction accuracy on clinical contours, with mean Euclidean surface errors of 2.51$\pm$0.33 mm in a diseased cohort (n=4549) and 2.3$\pm$0.36 mm in a healthy cohort (n=5576). The NIHC representation enables anatomically coherent reconstruction even under severe slice sparsity and segmentation noise, faithfully recovering complex structures such as the valve planes. Compared with traditional pipelines, inference time is reduced from over 60 s to 5-15 s. These results demonstrate that NIHCs constitute a robust and efficient anatomical representation for patient-specific 3D cardiac reconstruction from minimal input data.
• Abstract（参考訳）: スパース臨床像からの心臓解剖の正確な再構築は、患者特異的なモデリングにおいて大きな課題である。 神経暗黙の機能は、これまでこのタスクに応用されてきたが、被験者間の解剖学的一貫性のマッピングへの応用は限られている。 本研究では,人間の心臓に共通する解剖学的基準フレームを提供する,普遍的な心室座標に基づく標準化された暗黙的座標系であるNeural Implicit Heart Coordinates (NIHCs)を紹介する。 提案手法は, 限られた2次元セグメンテーションからNIHCを直接予測し, 任意の出力解像度で高分解能メッシュと高密度3次元セグメンテーションにデコードする。 このモデルは、5,000個の心臓メッシュからなる大規模なデータセットで訓練され、ユークリッドの表面誤差が2.51$\pm$0.33 mm(n=4549)、健康なコホート(n=5576)で2.3$\pm$0.36 mm(n=5576)である、臨床輪郭の再現精度が高い。 NIHC表現は、厳密なスライス間隔とセグメンテーションノイズの下でも解剖学的にコヒーレントな再構成を可能にし、弁面のような複雑な構造を忠実に復元する。 従来のパイプラインと比較して、推論時間は60秒以上から5～15秒に短縮される。 これらの結果から, NIHCは最小入力データから, 患者特異的な3次元心臓再建のための堅牢で効率的な解剖学的表現であることが明らかとなった。

関連論文リスト

• Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
  全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。 本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。 この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:05Z)
• UltraSeP: Sequence-aware Pre-training for Echocardiography Probe Movement Guidance [70.94473797093293]
  本稿では,高品質な標準平面画像取得のためのプローブポーズ調整によるロボットシステムや初心者の誘導に応用可能な,新しいプローブ移動誘導アルゴリズムを提案する。 本研究では, マスクアウト画像の特徴とプローブ動作をスキャンシーケンスで予測することにより, パーソナライズされた3次元心構造の特徴を学習する。
  論文  参考訳（メタデータ） (2024-08-27T12:55:54Z)
• Structure-aware World Model for Probe Guidance via Large-scale Self-supervised Pre-train [66.35766658717205]
  心エコー法を成功させるには、二次元平面上の構造と三次元空間における平面間の空間的関係を徹底的に理解する必要がある。 心構造を意識した世界モデルを取得するための,大規模自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-06-28T08:54:44Z)
• 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)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Deep Negative Volume Segmentation [60.44793799306154]
  対象物を取り囲むすべての組織間で空の空間を分割する3Dセグメント化タスクに対する新しい角度を提案する。 我々のアプローチは骨分割のためのV-Netを含むエンドツーエンドパイプラインである。 顎顔面領域の専門医が注釈を付した50名の患者データセットにおけるCTスキャンの考え方を検証した。
  論文  参考訳（メタデータ） (2020-06-22T16:55:23Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。