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
• Authors: Athena Taymourtash, S. Mazdak Abulnaga, Esra Abaci Turk, P. Ellen Grant, Polina Golland,
• 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

• 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。