論文の概要: Learning Topology-Aware Implicit Field for Unified Pulmonary Tree Modeling with Incomplete Topological Supervision

• arxiv url: http://arxiv.org/abs/2602.02186v1
• Date: Mon, 02 Feb 2026 14:53:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.230907
• Title: Learning Topology-Aware Implicit Field for Unified Pulmonary Tree Modeling with Incomplete Topological Supervision
• Title（参考訳）: 不完全なトポロジカル・スーパービジョンを用いた統一肺木モデリングのための学習トポロジ-アウェアインシシシット場
• Authors: Ziqiao Weng, Jiancheng Yang, Kangxian Xie, Bo Zhou, Weidong Cai,
• Abstract要約: TopoFieldは、肺木解析のためのトポロジーを意識した暗黙のモデリングフレームワークである。 完全なあるいは明示的な切断アノテーションに頼ることなく、トポロジーの修復をサポートする連続的な暗黙のフィールドを学ぶ。 常に位相的完全性を改善し、挑戦的な不完全なシナリオの下で正確な解剖学的ラベリングと肺部分再建を実現する。
• 参考スコア（独自算出の注目度）: 11.015069221513457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pulmonary trees extracted from CT images frequently exhibit topological incompleteness, such as missing or disconnected branches, which substantially degrades downstream anatomical analysis and limits the applicability of existing pulmonary tree modeling pipelines. Current approaches typically rely on dense volumetric processing or explicit graph reasoning, leading to limited efficiency and reduced robustness under realistic structural corruption. We propose TopoField, a topology-aware implicit modeling framework that treats topology repair as a first-class modeling problem and enables unified multi-task inference for pulmonary tree analysis. TopoField represents pulmonary anatomy using sparse surface and skeleton point clouds and learns a continuous implicit field that supports topology repair without relying on complete or explicit disconnection annotations, by training on synthetically introduced structural disruptions over \textit{already} incomplete trees. Building upon the repaired implicit representation, anatomical labeling and lung segment reconstruction are jointly inferred through task-specific implicit functions within a single forward pass.Extensive experiments on the Lung3D+ dataset demonstrate that TopoField consistently improves topological completeness and achieves accurate anatomical labeling and lung segment reconstruction under challenging incomplete scenarios. Owing to its implicit formulation, TopoField attains high computational efficiency, completing all tasks in just over one second per case, highlighting its practicality for large-scale and time-sensitive clinical applications. Code and data will be available at https://github.com/HINTLab/TopoField.
• Abstract（参考訳）: CT画像から抽出された肺木は、欠落や切断などのトポロジカルな不完全性を示すことが多く、下流の解剖学的解析を著しく低下させ、既存の肺木モデリングパイプラインの適用性を制限している。 現在のアプローチは通常、密度の高いボリューム処理や明示的なグラフ推論に依存しており、現実的な構造的腐敗の下では、効率が制限されロバスト性が低下する。 TopoFieldはトポロジーを考慮した暗黙的モデリングフレームワークで,トポロジー修復を一級モデリング問題として扱い,肺木解析のためのマルチタスクの統一推論を可能にする。 TopoFieldはスパース表面とスケルトン点雲を用いて肺解剖を表現し、完全または明示的な切断アノテーションに頼ることなくトポロジーの修復をサポートする連続的な暗黙のフィールドを学習する。 Lung3D+データセットの大規模な実験は、TopoFieldが一貫して位相的完全性を改善し、不完全なシナリオ下で正確な解剖学的ラベリングと肺部分再構成を実現することを実証している。 暗黙の定式化により、TopoFieldは高い計算効率を達成し、1ケースにつき1秒以上で全てのタスクを完了し、大規模で時間に敏感な臨床応用のための実用性を強調している。 コードとデータはhttps://github.com/HINTLab/TopoField.comで入手できる。

関連論文リスト

• TopoSculpt: Betti-Steered Topological Sculpting of 3D Fine-grained Tubular Shapes [21.9424224885816]
  TopoSculptは3次元細粒細管構造のトポロジカルな微細化のためのフレームワークである。 挑戦的な肺気道とウィリス・サークル・オブ・ウィリスのデータセットの実験は、幾何学とトポロジーの両方において大幅に改善されている。
  論文  参考訳（メタデータ） (2025-09-04T06:56:06Z)
• HarmonySeg: Tubular Structure Segmentation with Deep-Shallow Feature Fusion and Growth-Suppression Balanced Loss [37.79956077478527]
  我々はHarmonySegという新しい管状構造セグメンテーションフレームワークを提案する。 まず、様々な受容場を持つ柔軟な畳み込みブロックを備えたディープ・ツー・シャロー・デコーダネットワークを設計する。 第2に, 解剖学的領域を強調し, 小さな管状構造のリコールを改善するために, 血管性マップを組み込んだ。 第3に, 管状構造物の成長と抑制のバランスをとるために, 文脈と形状の先行性を活用するトポロジー保存損失関数を導入する。
  論文  参考訳（メタデータ） (2025-04-10T15:04:42Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Efficient Anatomical Labeling of Pulmonary Tree Structures via Deep Point-Graph Representation-based Implicit Fields [45.16492100245491]
  肺疾患は世界中で死の主な死因の1つである。 高解像度画像スタックと高密度ボクセルグリッド上の標準CNNを用いた従来のアプローチは、計算効率、解像度の制限、局所的文脈、形状トポロジーの不十分な保存といった課題に直面している。 本手法は,高密度なボクセルからスパースポイント表現に移行し,メモリ効率の向上とグローバルなコンテキスト利用を実現することで,これらの問題に対処する。
  論文  参考訳（メタデータ） (2023-09-29T15:40:58Z)
• Accurate Airway Tree Segmentation in CT Scans via Anatomy-aware Multi-class Segmentation and Topology-guided Iterative Learning [15.492349389589121]
  CT(Computed tomography)における胸腔内気道セグメンテーションは様々な呼吸器疾患解析の前提条件である。 既存のエアウェイデータセットのほとんどは、不完全なラベル付き/注釈付きである。 本稿では,トポロジ誘導型反復型自己学習によって強化された,解剖学に適応したマルチクラスエアウェイセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-06-15T13:23:05Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Towards to Robust and Generalized Medical Image Segmentation Framework [17.24628770042803]
  本稿では,ロバストな一般化セグメンテーションのための新しい2段階フレームワークを提案する。 特に、教師なしTile-wise AutoEncoder(T-AE)事前学習アーキテクチャは、意味のある表現を学ぶために作成される。 複数の胸部X線データセットに対する肺分画実験を行った。
  論文  参考訳（メタデータ） (2021-08-09T05:58:49Z)

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。