論文の概要: LmPT: Conditional Point Transformer for Anatomical Landmark Detection on 3D Point Clouds

• arxiv url: http://arxiv.org/abs/2602.02808v1
• Date: Mon, 02 Feb 2026 21:06:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.089552
• Title: LmPT: Conditional Point Transformer for Anatomical Landmark Detection on 3D Point Clouds
• Title（参考訳）: LmPT:3次元点雲における解剖学的ランドマーク検出のための条件点変換器
• Authors: Matteo Bastico, Pierre Onghena, David Ryckelynck, Beatriz Marcotegui, Santiago Velasco-Forero, Laurent Corté, Caroline Robine--Decourcelle, Etienne Decencière,
• Abstract要約: そこで本稿では,Landmark Point Transformer (LmPT) を提案する。 LmPTモデルは、異なる入力タイプへの適応性を、種間学習の実行を可能にする条件付け機構を組み込んでいる。 本研究は,ヒトおよび新たに注釈を付けた犬大腿骨を用いた大腿骨のランドマーク化に焦点をあて,その一般化と種間の有効性を実証するものである。
• 参考スコア（独自算出の注目度）: 4.49231715128976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate identification of anatomical landmarks is crucial for various medical applications. Traditional manual landmarking is time-consuming and prone to inter-observer variability, while rule-based methods are often tailored to specific geometries or limited sets of landmarks. In recent years, anatomical surfaces have been effectively represented as point clouds, which are lightweight structures composed of spatial coordinates. Following this strategy and to overcome the limitations of existing landmarking techniques, we propose Landmark Point Transformer (LmPT), a method for automatic anatomical landmark detection on point clouds that can leverage homologous bones from different species for translational research. The LmPT model incorporates a conditioning mechanism that enables adaptability to different input types to conduct cross-species learning. We focus the evaluation of our approach on femoral landmarking using both human and newly annotated dog femurs, demonstrating its generalization and effectiveness across species. The code and dog femur dataset will be publicly available at: https://github.com/Pierreoo/LandmarkPointTransformer.
• Abstract（参考訳）: 解剖学的ランドマークの正確な同定は、様々な医学的応用に不可欠である。 従来の手動のランドマークは時間を要するため、サーバ間の変動が難しく、ルールベースのメソッドは特定のジオメトリや限られたランドマークセットに合わせて調整されることが多い。 近年、解剖学的表面は、空間座標からなる軽量な構造である点雲として効果的に表現されている。 この戦略に従い、既存のランドマーク化技術の限界を克服するために、異なる種の同種骨を翻訳研究に活用できる点雲の自動的解剖学的ランドマーク検出法であるランドマークポイント変換器(LmPT)を提案する。 LmPTモデルは、異なる入力タイプへの適応性を、種間学習の実行を可能にする条件付け機構を組み込んでいる。 本研究は,ヒトおよび新たに注釈を付けた犬大腿骨を用いた大腿骨のランドマーク化に焦点をあて,その一般化と種間の有効性を実証するものである。 コードと犬の大腿骨のデータセットは、https://github.com/Pierreoo/LandmarkPointTransformer.comで公開される。

関連論文リスト

• Leveraging Point Transformers for Detecting Anatomical Landmarks in Digital Dentistry [0.0]
  我々はMICCAI 2024の3DTeethLand Grand Challengeで行った実験について紹介する。 我々は、ポイントトランスフォーマーv3インスパイアされたモジュールを設計し、ポイント間距離を予測するために軽量デコーダによって処理される有意義な幾何学的特徴と解剖学的特徴を捉えた。 有望な結果を報告し、学習した特徴解釈可能性に関する洞察について考察する。
  論文  参考訳（メタデータ） (2025-04-15T17:34:56Z)
• Landmarks Are Alike Yet Distinct: Harnessing Similarity and Individuality for One-Shot Medical Landmark Detection [21.120831830200544]
  複数のランドマークを同時に検出するためのトレーニングモデルは、しばしば「シーソー現象」に遭遇する 我々は「ランドマークは別物」という信念に基づく新しいアプローチを提案する。 モデルパラメータを効率的に共有するために,共有重みとランドマーク固有の重みを組み合わせたアダプタベース融合モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-20T11:46:29Z)
• DenseSeg: Joint Learning for Semantic Segmentation and Landmark Detection Using Dense Image-to-Shape Representation [1.342749532731493]
  本稿では,ランドマークとセマンティックセグメンテーションの併用学習を可能にする画像と形状の濃密な表現を提案する。 本手法では,解剖学的対応の表現による任意のランドマークの抽出を直感的に行うことができる。
  論文  参考訳（メタデータ） (2024-05-30T06:49:59Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• Robust vertebra identification using simultaneous node and edge predicting Graph Neural Networks [0.0]
  U-Netで標準的な予測を取り入れた単純なパイプラインを導入し、続いて1つのグラフニューラルネットワークで脊椎を完全な向きで関連付け、分類する。 我々の方法は、正しい体とペダルのランドマークを正確に関連付けることができ、偽陽性を無視し、脊椎を単純で完全に訓練可能なパイプラインで分類することができる。
  論文  参考訳（メタデータ） (2023-07-27T09:10:27Z)
• Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
  3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。 ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。 我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-22T11:34:51Z)
• Pretrained equivariant features improve unsupervised landmark discovery [69.02115180674885]
  我々は、この課題を克服する2段階の教師なしアプローチを、強力なピクセルベースの特徴を初めて学習することによって定式化する。 本手法は,いくつかの難解なランドマーク検出データセットにおいて最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-04-07T05:42:11Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)

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。