論文の概要: Volumetrically Consistent Implicit Atlas Learning via Neural Diffeomorphic Flow for Placenta MRI

• arxiv url: http://arxiv.org/abs/2603.16078v1
• Date: Tue, 17 Mar 2026 02:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.078785
• Title: Volumetrically Consistent Implicit Atlas Learning via Neural Diffeomorphic Flow for Placenta MRI
• Title（参考訳）: 胎盤MRIにおけるニューラルディファオモルフィックフローを用いた容積一致型インシシスタント・アトラス学習
• Abstract要約: 本稿では,符号付き距離関数とニューラル微分同相流の再構成を結合した容積的に一貫した暗黙的モデルを導入し,胎盤の共有正準テンプレートを学習する。 In-vivo Placenta MRIでの実験では、表面ベースの暗黙的ベースライン法よりも幾何的忠実度と体積的アライメントが改善された。
• 参考スコア（独自算出の注目度）: 6.4588991062735746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Establishing dense volumetric correspondences across anatomical shapes is essential for group-level analysis but remains challenging for implicit neural representations. Most existing implicit registration methods rely on supervision near the zero-level set and thus capture only surface correspondences, leaving interior deformations under-constrained. We introduce a volumetrically consistent implicit model that couples reconstruction of signed distance functions (SDFs) with neural diffeomorphic flow to learn a shared canonical template of the placenta. Volumetric regularization, including Jacobian-determinant and biharmonic penalties, suppresses local folding and promotes globally coherent deformations. In the motivating application to placenta MRI, our formulation jointly reconstructs individual placentas, aligns them to a population-derived implicit template, and enables voxel-wise intensity mapping in a unified canonical space. Experiments on in-vivo placenta MRI scans demonstrate improved geometric fidelity and volumetric alignment over surface-based implicit baseline methods, yielding anatomically interpretable and topologically consistent flattening suitable for group analysis.
• Abstract（参考訳）: 解剖学的形状にわたる密度の高い体積対応を確立することは群レベルでの分析には不可欠であるが、暗黙の神経表現には依然として困難である。 既存の暗黙の登録法はゼロレベル近傍の監督に依存しており、表面の対応のみを捕捉し、内部の変形を未制限のままにしておく。 本稿では,符号付き距離関数 (SDF) とニューラル微分同相流を結合した体積的一貫した暗黙的モデルを導入し,胎盤の共有正準テンプレートを学習する。 ジャコビアン行列式やバイハーモニックなペナルティを含む体積正規化は局所的な折り畳みを抑制し、グローバルなコヒーレントな変形を促進する。 In motivating application to Placenta MRIでは,各胎盤を共同で再構成し,個体群由来の暗黙テンプレートに整列し,統一された標準空間内でのボクセル・インテンシティ・マッピングを可能にする。 In-vivo Placenta MRIでの実験では、表面ベースの暗黙的ベースライン法よりも幾何的忠実度と体積的アライメントが向上し、解剖学的に解釈可能で、位相的に一貫した平坦化がグループ解析に適していることが示された。

関連論文リスト

• AnaDiffusion: Anatomically CompositionalLatent Diffusion for Controllable 3D Brain MRI Generation [58.56402940400457]
  3次元脳MRIは、医用画像、シミュレーション、および制御可能な解剖学的解析において大きな進歩を遂げた。 本稿では,AnaDiffusionを紹介した。AnaDiffusionは解剖学的に有意な領域に生成過程を分解する,解剖学的に構成された潜在拡散フレームワークである。 AnaDiffusionは明示的な部分資産とグローバルなコヒーレントボリュームの両方を生成し、制御可能な部分編集を可能にする。
  論文  参考訳（メタデータ） (2026-08-24T09:16:42Z)
• Spatial Normalization for Cross-Domain Retinal Layer Segmentation in Optical Coherence Tomography [0.4497001527881303]
  我々はOCTボリュームを共通の解剖学的基準に整合させるFovea中心の正規化フレームワークを導入する。 分割品質を総合的に評価するために,従来のBスキャンレベルでのオーバーラップベース指標とAスキャンレベルでのトポロジ対応指標と,顔レベルでの厚みベース指標を組み合わせた。
  論文  参考訳（メタデータ） (2026-07-17T15:47:18Z)
• Cross-Subject Semantic Decoding with Shared-Space Alignment for Generalized Neural Representation Learning [80.18561652862725]
  被験者全体にわたる一般化は、侵襲的なニューラル記録において難しいままである。 本稿では,複数の被験者からの音声知覚に対するニューラル応答を共有潜在空間に整列させるクロスオブジェクトセマンティックデコーディングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-03T03:59:16Z)
• Towards Voxel Spacing Consistency for Medical Image Segmentation [56.992050146446495]
  画像再サンプリングとセグメンテーションの相関について検討し,意味認識型再サンプリングフレームワークであるConsispaceを提案する。 コンシスペースは、解剖学的および意味的一貫性を維持しながら、軸方向における一貫したボクセル間隔を達成する。
  論文  参考訳（メタデータ） (2026-06-30T15:42:23Z)
• Dual-Prior Guided Null-Space Learning with Mixture-of-Splines for Arbitrary Medical Slice Super-Resolution [28.92727853844715]
  超解像は、任意のスケールで中間スライスを合成することにより異方性の臨床的取得から等方性ボリュームを再構成する。 この不適切な逆問題を、制約のない残差に基づく回帰リスクとして扱うことで、不明瞭な構造を幻覚させる。 本稿では,2つの相補的事前に導かれる制約付き回復過程としてタスクを再構成するDual-Prior Null-space Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-25T07:53:36Z)
• INST-Align: Implicit Neural Alignment for Spatial Transcriptomics via Canonical Expression Fields [1.0487944945684993]
  INST-Alignは、座標ベースの変形ネットワークと共有カノニカル表現場を結合する。 最先端の平均OT精度(0.702)、NN精度(0.719)、チャンファー距離(94.9%)を実現している。 また、生物学的に意味のある空間埋め込みとコヒーレントな3D組織再構築をもたらす。
  論文  参考訳（メタデータ） (2026-04-13T21:44:18Z)
• MorphoFlow: Sparse-Supervised Generative Shape Modeling with Adaptive Latent Relevance [2.4706168648784486]
  スパース制御型生成形状モデリングフレームワークであるMorphoFlowを紹介する。 スパースサーフェスアノテーションから直接コンパクトな確率的形状表現を学習する。 潜在解剖学的変動の分布を捉え、伸縮性、可能性に基づく形状の生成モデルを提供する。
  論文  参考訳（メタデータ） (2026-04-13T15:45:59Z)
• OmniCT: Towards a Unified Slice-Volume LVLM for Comprehensive CT Analysis [53.01523944168442]
  臨床解釈はスライス駆動の局所特徴と体積駆動の空間表現の両方に依存している。 既存のLVLM(Large Vision-Language Models)は、CTスライスとボリューム理解で断片化されている。 我々は,CTシナリオのための強力な統合スライスボリュームLVLMであるOmniCTを提案する。
  論文  参考訳（メタデータ） (2026-02-18T00:42:41Z)
• Deep-Learning Atlas Registration for Melanoma Brain Metastases: Preserving Pathology While Enabling Cohort-Level Analyses [0.7969462887653364]
  メラノーマ脳転移(MBM)は一般的で空間的に不均一な病変である。 本稿では、個々の病理脳を共通のアトラスに整列させる変形可能な登録フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-13T13:43:57Z)
• PathoSyn: Imaging-Pathology MRI Synthesis via Disentangled Deviation Diffusion [11.223559964746705]
  磁気共鳴イメージング(MRI)画像合成のための統合生成フレームワークPathoSynを提案する。 PathoSynは、画像病理を安定な解剖学的多様体上の不整合加法偏差として再構成する。 PathoSynは、知覚現実主義と解剖学的忠実性の両方において、全体的拡散とマスク条件ベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-12-29T01:13:50Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Deep Variational Lesion-Deficit Mapping [0.3914676152740142]
  本稿では,病変欠損モデル比較のための包括的枠組みを提案する。 また,本モデルでは,すべてのシミュレーションシナリオにおいて,確立された手法よりもかなり優れていることを示す。 我々の分析は、このアプローチの広く採用されていることを正当化する。
  論文  参考訳（メタデータ） (2023-05-27T13:49:35Z)
• Volumetric Parameterization of the Placenta to a Flattened Template [21.03196195804363]
  本研究では,プレースンタをフラットテンプレートにパラメータ化するためのボリュームメッシュに基づくアルゴリズムを提案する。 BOLD MRI画像から抽出した111個の胎盤形状について検討し,本手法の有効性を検証した。 本手法は,テンプレートの整合におけるサブボクセル精度を実現し,体積の歪みを低く抑える。
  論文  参考訳（メタデータ） (2021-11-15T16:53:08Z)
• Multi-Structure Deep Segmentation with Shape Priors and Latent Adversarial Regularization [0.5249805590164902]
  MR画像における多構造骨変形の深層学習に基づく正規化セグメンテーション法を提案する。 新たに考案した形状コード判別器に基づき,本手法は深層ネットワークに解剖学の学習可能な形状表現に従うよう強制する。 本研究は足関節および肩関節からの2つの小児筋骨格イメージングデータセットにおける術中正規化法と比較した。
  論文  参考訳（メタデータ） (2021-01-25T15:43:40Z)

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。