論文の概要: Improving Neuropathological Reconstruction Fidelity via AI Slice Imputation

• arxiv url: http://arxiv.org/abs/2602.00669v1
• Date: Sat, 31 Jan 2026 11:34:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.326406
• Title: Improving Neuropathological Reconstruction Fidelity via AI Slice Imputation
• Title（参考訳）: AIスライスインプットによる神経病理再建能の向上
• Authors: Marina Crespo Aguirre, Jonathan Williams-Ramirez, Dina Zemlyanker, Xiaoling Hu, Lucas J. Deden-Binder, Rogeny Herisse, Mark Montine, Theresa R. Connors, Christopher Mount, Christine L. MacDonald, C. Dirk Keene, Caitlin S. Latimer, Derek H. Oakley, Bradley T. Hyman, Ana Lawry Aguila, Juan Eugenio Iglesias,
• Abstract要約: 解剖画像の異方性3次元再構成からスライスをインプットして等方性ボリュームを生成する,計算効率の良い超解像ステップを導入する。 インプットボリュームは自動セグメンテーションを改善し、特に皮質および白質領域において高Diceスコアを達成した。
• 参考スコア（独自算出の注目度）: 7.249215795651748
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neuropathological analyses benefit from spatially precise volumetric reconstructions that enhance anatomical delineation and improve morphometric accuracy. Our prior work has shown the feasibility of reconstructing 3D brain volumes from 2D dissection photographs. However these outputs sometimes exhibit coarse, overly smooth reconstructions of structures, especially under high anisotropy (i.e., reconstructions from thick slabs). Here, we introduce a computationally efficient super-resolution step that imputes slices to generate anatomically consistent isotropic volumes from anisotropic 3D reconstructions of dissection photographs. By training on domain-randomized synthetic data, we ensure that our method generalizes across dissection protocols and remains robust to large slab thicknesses. The imputed volumes yield improved automated segmentations, achieving higher Dice scores, particularly in cortical and white matter regions. Validation on surface reconstruction and atlas registration tasks demonstrates more accurate cortical surfaces and MRI registration. By enhancing the resolution and anatomical fidelity of photograph-based reconstructions, our approach strengthens the bridge between neuropathology and neuroimaging. Our method is publicly available at https://surfer.nmr.mgh.harvard.edu/fswiki/mri_3d_photo_recon
• Abstract（参考訳）: 神経病理学的解析は、解剖学的脱線を高め、形態計測精度を向上させる空間的精度の高い容積再構成の恩恵を受ける。 これまでの研究では,2次元解剖画像から3次元脳の容積を再構築できる可能性が示された。 しかしながら、これらの出力は、特に高い異方性(すなわち厚いスラブからの復元)の下で、粗い、過度に滑らかな構造の再構築を示すことがある。 本稿では,解剖学的に一貫した等方性ボリュームを生成するために,解剖写真の異方性3次元再構成からスライスをインプットする計算効率のよい超解像法を提案する。 ドメインランダム化合成データのトレーニングにより,分割プロトコルをまたいだ一般化が図られ,大きなスラブ厚みに頑健であることを保証する。 インプットボリュームは自動セグメンテーションを改善し、特に皮質および白質領域において高Diceスコアを達成した。 表面再構成およびアトラス登録タスクの検証は、より正確な皮質表面とMRI登録を示す。 画像に基づく再建の解像度と解剖学的忠実度を高めることにより,神経病理学と神経画像学の橋渡しが強化される。 私たちのメソッドはhttps://surfer.nmr.mgh.harvard.edu/fswiki/mri_3d_photo_reconで公開されています。

関連論文リスト

• Advanced Geometric Correction Algorithms for 3D Medical Reconstruction: Comparison of Computed Tomography and Macroscopic Imaging [0.9395222766576343]
  本稿では, マクロスライスから3次元腎解剖を再構築するためのハイブリッド2段階登録フレームワークを提案する。 これは、マクロ画像の典型的なデータスカシティと高歪みの課題に対処する。 提案手法は,光学的および写真的断面から再構成した他の軟部臓器に一般化する。
  論文  参考訳（メタデータ） (2026-01-30T17:16:17Z)
• Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
  光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。 現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。 本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
  論文  参考訳（メタデータ） (2025-09-11T23:12:55Z)
• 3D Shape-to-Image Brownian Bridge Diffusion for Brain MRI Synthesis from Cortical Surfaces [8.604681353022665]
  Cor2Voxは、連続した皮質形状を合成脳MRIに翻訳する最初の拡散モデルに基づく方法である。 本研究では, 従来のボクセル法と比較して, 復元された構造物の幾何的精度が大幅に向上したことを示す。 また, 亜ボクセルレベルの皮質萎縮をシミュレートするためのアプローチの有用性も強調した。
  論文  参考訳（メタデータ） (2025-02-18T10:59:04Z)
• A Quantitative Evaluation of Dense 3D Reconstruction of Sinus Anatomy from Monocular Endoscopic Video [8.32570164101507]
  内視鏡的シーケンスと光学的トラッキングを用いた洞再建のための自己教師型アプローチの定量的解析を行った。 以上の結果から, 生成した復元は解剖学的に高い一致を示し, 平均点間誤差は0.91mmであった。 ポーズと深さ推定の不正確さがこの誤りに等しく寄与し、より短い軌跡を持つ局所的に一貫したシーケンスがより正確な再構成をもたらすことを確認した。
  論文  参考訳（メタデータ） (2023-10-22T17:11:40Z)
• Large Intestine 3D Shape Refinement Using Point Diffusion Models for Digital Phantom Generation [0.8860189031441993]
  大腸の3D表現性を高めるための新しい条件付きLAtent Point-DiffusionモデルであるCLAPを提案する。 我々は大域的および局所的な潜在形状表現を学習するために階層的変分オートエンコーダを用いる。 その後、事前訓練された表面再構成モデルを用いて、洗練された点雲をメッシュに変換する。
  論文  参考訳（メタデータ） (2023-09-15T10:10:48Z)
• 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)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• 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)
• 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。