論文の概要: High-Fidelity Medical Shape Generation via Skeletal Latent Diffusion

• arxiv url: http://arxiv.org/abs/2603.07504v2
• Date: Tue, 10 Mar 2026 17:50:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:23.710046
• Title: High-Fidelity Medical Shape Generation via Skeletal Latent Diffusion
• Title（参考訳）: 骨格遅延拡散による高忠実度医用形状生成
• Authors: Guoqing Zhang, Jingyun Yang, Siqi Chen, Anping Zhang, Yang Li,
• Abstract要約: 本稿では,高忠実度医療形状生成のための骨格潜伏拡散フレームワークを提案する。 新しい形状は潜在空間拡散モデルによって生成され、次にニューラル暗黙的復号とメッシュ抽出が続く。 MedSDFと船体データセットの実験により,提案手法がより優れた再構成と生成品質を実現することを示す。
• 参考スコア（独自算出の注目度）: 10.218375997417917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anatomy shape modeling is a fundamental problem in medical data analysis. However, the geometric complexity and topological variability of anatomical structures pose significant challenges to accurate anatomical shape generation. In this work, we propose a skeletal latent diffusion framework that explicitly incorporates structural priors for efficient and high-fidelity medical shape generation. We introduce a shape auto-encoder in which the encoder captures global geometric information through a differentiable skeletonization module and aggregates local surface features into shape latents, while the decoder predicts the corresponding implicit fields over sparsely sampled coordinates. New shapes are generated via a latent-space diffusion model, followed by neural implicit decoding and mesh extraction. To address the limited availability of medical shape data, we construct a large-scale dataset, \textit{MedSDF}, comprising surface point clouds and corresponding signed distance fields across multiple anatomical categories. Extensive experiments on MedSDF and vessel datasets demonstrate that the proposed method achieves superior reconstruction and generation quality while maintaining a higher computational efficiency compared with existing approaches. Code is available at: https://github.com/wlsdzyzl/meshage.
• Abstract（参考訳）: 解剖形状モデリングは医療データ解析の基本的な問題である。 しかし、解剖学的構造の幾何学的複雑さと位相的変動は、正確な解剖学的形状の生成に重大な課題をもたらす。 本研究では, 骨格内潜伏拡散フレームワークを提案する。 エンコーダは,グローバルな幾何学的情報を識別可能なスケルトン化モジュールを通じて捕捉し,局所的な表面特徴をラテントに集約する形状自動エンコーダを導入し,デコーダは疎サンプリングされた座標に対して対応する暗黙のフィールドを予測する。 新しい形状は潜在空間拡散モデルによって生成され、次にニューラル暗黙的復号とメッシュ抽出が続く。 医療用形状データの可用性の限界に対処するため,複数の解剖学的カテゴリにまたがる表面点雲と対応する符号付き距離場からなる大規模データセット, \textit{MedSDF} を構築した。 MedSDFと船体データセットの大規模な実験により,提案手法は既存手法と比較して高い計算効率を維持しつつ,より優れた再構成と生成品質を実現することを示した。 コードは、https://github.com/wlsdzyzl/meshage.comで入手できる。

関連論文リスト

• Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation [3.03918153717041]
  代理モデルはシミュレーションを加速することができるが、多様な解剖学における一般化は困難である。 物理応答の学習から幾何学的表現を分離する2段階の枠組みを提案する。 提案手法は, 正確な予測と非可視測地への一般化を可能にする。
  論文  参考訳（メタデータ） (2026-02-23T19:40:55Z)
• An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation [45.820901263103806]
  In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築 本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。 提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
  論文  参考訳（メタデータ） (2024-03-10T21:33:53Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• Surf-D: Generating High-Quality Surfaces of Arbitrary Topologies Using Diffusion Models [83.35835521670955]
  Surf-Dは任意の位相を持つ表面として高品質な3次元形状を生成する新しい方法である。 非符号距離場(UDF)を曲面表現として用いて任意の位相を許容する。 また、ポイントベースのAutoEncoderを用いて、UDFを正確に符号化するためのコンパクトで連続的な潜在空間を学習する新しいパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-11-28T18:56:01Z)
• Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
  CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。 肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。 結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
  論文  参考訳（メタデータ） (2023-06-27T14:41:18Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• A Generative Shape Compositional Framework to Synthesise Populations of Virtual Chimaeras [52.33206865588584]
  複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。 心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。 提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
  論文  参考訳（メタデータ） (2022-10-04T13:36:52Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)

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。