Fugu-MT 論文翻訳(概要): Neural Implicit 3D Cardiac Shape Reconstruction from Sparse CT Angiography Slices Mimicking 2D Transthoracic Echocardiography Views

論文の概要: Neural Implicit 3D Cardiac Shape Reconstruction from Sparse CT Angiography Slices Mimicking 2D Transthoracic Echocardiography Views

arxiv url: http://arxiv.org/abs/2602.05884v1
Date: Thu, 05 Feb 2026 17:00:59 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-06 18:49:09.066889
Title: Neural Implicit 3D Cardiac Shape Reconstruction from Sparse CT Angiography Slices Mimicking 2D Transthoracic Echocardiography Views
Title（参考訳）: 2次元経胸壁心エコー図でみたSparse CT Angiographyスライスによる3次元心臓形状再構成
Authors: Gino E. Jansen, Carolina Brás, R. Nils Planken, Mark J. Schuuring, Berto J. Bouma, Ivana Išgum,
Abstract要約: CTアンギオグラフィー(CTA)におけるスパース平面の区分けから完全な3次元心臓形状を再構築する手法を提案する。心室および左室心筋の3次元形状をスパルスCTA平面から再構築するために,神経暗黙機能を用いた。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate 3D representations of cardiac structures allow quantitative analysis of anatomy and function. In this work, we propose a method for reconstructing complete 3D cardiac shapes from segmentations of sparse planes in CT angiography (CTA) for application in 2D transthoracic echocardiography (TTE). Our method uses a neural implicit function to reconstruct the 3D shape of the cardiac chambers and left-ventricle myocardium from sparse CTA planes. To investigate the feasibility of achieving 3D reconstruction from 2D TTE, we select planes that mimic the standard apical 2D TTE views. During training, a multi-layer perceptron learns shape priors from 3D segmentations of the target structures in CTA. At test time, the network reconstructs 3D cardiac shapes from segmentations of TTE-mimicking CTA planes by jointly optimizing the latent code and the rigid transforms that map the observed planes into 3D space. For each heart, we simulate four realistic apical views, and we compare reconstructed multi-class volumes with the reference CTA volumes. On a held-out set of CTA segmentations, our approach achieves an average Dice coefficient of 0.86 $\pm$ 0.04 across all structures. Our method also achieves markedly lower volume errors than the clinical standard, Simpson's biplane rule: 4.88 $\pm$ 4.26 mL vs. 8.14 $\pm$ 6.04 mL, respectively, for the left ventricle; and 6.40 $\pm$ 7.37 mL vs. 37.76 $\pm$ 22.96 mL, respectively, for the left atrium. This suggests that our approach offers a viable route to more accurate 3D chamber quantification in 2D transthoracic echocardiography.
Abstract（参考訳）: 心臓構造の正確な3D表現は解剖学と機能の定量的解析を可能にする。本研究では,2次元経胸壁心エコー法(TTE)に応用するためのCT血管造影(CTA)におけるスパース面の分画から完全3次元心筋形状を再構築する手法を提案する。心室および左室心筋の3次元形状をスパルスCTA平面から再構築するために,神経暗黙機能を用いた。 2次元TTEからの3次元再構成の実現可能性を検討するために,標準的な2次元TTEビューを模倣する平面を選択する。トレーニング中、多層パーセプトロンは、CTAのターゲット構造の3次元セグメントから形状先行を学習する。テスト時に、ネットワークは、観測された平面を3次元空間にマッピングする潜在コードと剛体変換を共同最適化することにより、TTEミスCTA平面のセグメンテーションから3D心臓形状を再構成する。それぞれの心について,4つの現実的なアピカルビューをシミュレートし,再構成された多クラスボリュームと参照CTAボリュームを比較した。 CTAセグメンテーションの保留集合上で、我々の手法はすべての構造に対して平均Dice係数 0.86$\pm$ 0.04 を達成する。また,左心室では4.88 $\pm$4.26 mL,左心室では8.14 $\pm$6.04 mL,左心房では6.40 $\pm$7.37 mL,左心房では37.76 $\pm$22.96 mLであった。このことから,2次元経胸壁心エコー図ではより正確な3次元室定量化が可能であることが示唆された。

関連論文リスト

3D Heart Reconstruction from Sparse Pose-agnostic 2D Echocardiographic Slices [6.275809518974307]
2次元エコースライスからパーソナライズされた3次元心臓解剖を再構築するための革新的な枠組みを提案する。 6面の平面を用いると、再構成された3次元心臓は、LV体積推定に大きな改善をもたらす可能性がある。本研究は、心臓超音波によるパーソナライズされた3次元構造と機能解析のための新しい方法を提供する。
論文参考訳（メタデータ） (2025-07-03T08:13:07Z)
S2MNet: Speckle-To-Mesh Net for Three-Dimensional Cardiac Morphology Reconstruction via Echocardiogram [8.28431711854234]
ほとんどの臨床心エコー図は2次元像のみを提供し、3次元の心臓解剖と機能を完全に評価する能力を制限する。本研究では,日常的に取得した2次元心エコー図の6つのスライスを統合することで,連続的かつ高忠実な3次元心臓モデルを再構築する深層学習フレームワークS2MNetを提案する。
論文参考訳（メタデータ） (2025-05-09T14:56:48Z)
MedTet: An Online Motion Model for 4D Heart Reconstruction [59.74234226055964]
本研究は, 術後の軽度データから3次元心臓運動を再構築するための新しいアプローチを提案する。既存の方法では、フル3次元の体積像から3次元の臓器のジオメトリーを正確に再構築することができる。このような部分的データから3次元運動を再構築するための汎用的なフレームワークを提案する。
論文参考訳（メタデータ） (2024-12-03T17:18:33Z)
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)
Vision Transformers increase efficiency of 3D cardiac CT multi-label segmentation [0.0]
心電図(CT)データセットを2つ使用して,心臓全体を表す複数の領域を3Dで分割するネットワークをトレーニングした。分節部は左心房,心室,左心室,上行大動脈,肺動脈,肺静脈,左心房補助であった。
論文参考訳（メタデータ） (2023-10-13T13:35:19Z)
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)
Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文参考訳（メタデータ） (2022-08-22T22:01:44Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)
PC-U Net: Learning to Jointly Reconstruct and Segment the Cardiac Walls in 3D from CT Data [18.941064150226236]
2次元CTスライスから直接LV MYO壁の点雲を直接再構成するPC-Uネットを提案する。提案したPC-Uネットの協調学習フレームワークは,自動心画像解析タスクに有用である。
論文参考訳（メタデータ） (2020-08-18T23:37:05Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。