論文の概要: VesselTok: Tokenizing Vessel-like 3D Biomedical Graph Representations for Reconstruction and Generation
- arxiv url: http://arxiv.org/abs/2603.18797v1
- Date: Thu, 19 Mar 2026 11:46:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-20 17:19:06.128877
- Title: VesselTok: Tokenizing Vessel-like 3D Biomedical Graph Representations for Reconstruction and Generation
- Title（参考訳）: VesselTok: 再構築と生成のための3Dバイオメディカルグラフ表現
- Authors: Chinmay Prabhakar, Bastian Wittmann, Tamaz Amiranashvili, Paul Büschl, Ezequiel de la Rosa, Julian McGinnis, Benedikt Wiestler, Bjoern Menze, Suprosanna Shit,
- Abstract要約: VesselTokは、パラメトリックな形状の観点から、空間的に密集したグラフにアプローチするフレームワークである。
我々は, 管状構造のニューラル暗黙表現を符号化するために, 中心点に条件付けされた新しい潜在表現を学習する。
肺気道,肺血管,脳血管など,様々な解剖学におけるVesselTokの性能を実証した。
- 参考スコア（独自算出の注目度）: 5.5556283437830665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial graphs provide a lightweight and elegant representation of curvilinear anatomical structures such as blood vessels, lung airways, and neuronal networks. Accurately modeling these graphs is crucial in clinical and (bio-)medical research. However, the high spatial resolution of large networks drastically increases their complexity, resulting in significant computational challenges. In this work, we aim to tackle these challenges by proposing VesselTok, a framework that approaches spatially dense graphs from a parametric shape perspective to learn latent representations (tokens). VesselTok leverages centerline points with a pseudo radius to effectively encode tubular geometry. Specifically, we learn a novel latent representation conditioned on centerline points to encode neural implicit representations of vessel-like, tubular structures. We demonstrate VesselTok's performance across diverse anatomies, including lung airways, lung vessels, and brain vessels, highlighting its ability to robustly encode complex topologies. To prove the effectiveness of VesselTok's learnt latent representations, we show that they (i) generalize to unseen anatomies, (ii) support generative modeling of plausible anatomical graphs, and (iii) transfer effectively to downstream inverse problems, such as link prediction.
- Abstract（参考訳）: 空間グラフは、血管、肺気道、神経ネットワークなどの血管解剖学的構造の軽量でエレガントな表現を提供する。
これらのグラフの正確なモデリングは、臨床および(バイオ)医学研究において重要である。
しかし、大きなネットワークの空間分解能は、その複雑さを大幅に増加させ、計算上の大きな課題をもたらす。
本研究では,空間的に密度の高いグラフにパラメトリックな形状からアプローチし,潜在表現(トークン)を学習するフレームワークであるVesselTokを提案する。
VesselTokは管状幾何学を効果的にエンコードするために擬似半径を持つ中心点を利用する。
具体的には, 管状構造のニューラル暗黙表現を符号化するために, 中心点に条件付けされた新しい潜在表現を学習する。
VesselTokの肺気道、肺血管、脳血管など、さまざまな解剖学的性能を実証し、複雑なトポロジーを堅牢にエンコードする能力を強調した。
VesselTokが学習した潜在表現の有効性を証明するために,それらが示す。
(i)目に見えない解剖を一般化する。
二 可塑性解剖図の作成モデリング支援、及び
三 リンク予測のような下流の逆問題に効果的に転送すること。
関連論文リスト
- Semantically Consistent Discrete Diffusion for 3D Biological Graph Modeling [2.737421165924947]
本稿では,構造的および意味的妥当性の条件に固執する3次元生物学的グラフ生成法を提案する。
提案手法は,Willisと肺気道の人間円の2つの実世界のデータセットにおいて,優れた性能を示す。
論文 参考訳（メタデータ） (2025-07-07T10:29:54Z) - Recursive Variational Autoencoders for 3D Blood Vessel Generative Modeling [0.7722830505405722]
階層構造をフル活用する再帰変動ニューラルネットワーク(RvNN)を開発した。
RvNNは、ターゲット表面を記述する幾何学的特徴とともに、分岐接続を符号化する低次元多様体を学習する。
我々は、正確で多様な血管の3Dモデルを生成し、医療や外科訓練、血行動態シミュレーション、その他多くの目的に欠かせない。
論文 参考訳（メタデータ） (2025-06-17T18:47:27Z) - A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。
我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。
がんのステージングと生存予測の課題に強いパフォーマンスを示す。
論文 参考訳（メタデータ） (2025-03-14T20:15:04Z) - End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence [42.52549987351643]
本稿では,貯水池計算に基づく有向グラフ解析パイプラインを提案する。
このパイプラインの目標は、ストロークデータにおける接続性のための効率的な脳表現を定義することである。
この表現は、有向グラフ畳み込みアーキテクチャ内で使われ、説明可能な人工知能(AI)ツールで調査される。
論文 参考訳（メタデータ） (2024-07-17T13:34:05Z) - 3D Vessel Graph Generation Using Denoising Diffusion [4.100929120985704]
血管ネットワークは3Dグラフとして表現され、疾患のバイオマーカーの予測、血流のシミュレート、合成画像生成の助けとなる。
船体木の生成を目的とした従来手法は, 主に自己回帰型であり, キャピラリーなどの周期を持つ船体グラフには適用できなかった。
本稿では,3次元血管グラフ生成におけるテキストデノナイズ拡散モデルの最初の応用について紹介する。
論文 参考訳（メタデータ） (2024-07-08T11:39:21Z) - Neural Echos: Depthwise Convolutional Filters Replicate Biological
Receptive Fields [56.69755544814834]
哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。
生体受容の分野からインスピレーションを得る手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T18:06:22Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - Deep Feature Fusion via Graph Convolutional Network for Intracranial
Artery Labeling [9.85779770378859]
頭蓋内動脈は、脳に酸素を供給している重要な血管である。
脳動脈の解剖学的ラベル付けにおいて、様々な機械学習アルゴリズムが自動化されている。
本研究では,脳動脈ラベリングのための深部核融合を用いた新しいグラフ畳み込みニューラルネットワークについて検討した。
論文 参考訳（メタデータ） (2022-05-22T06:11:21Z) - An explainability framework for cortical surface-based deep learning [110.83289076967895]
我々は,皮質表面の深層学習のためのフレームワークを開発した。
まず,表面データに摂動に基づくアプローチを適用した。
我々の説明可能性フレームワークは,重要な特徴とその空間的位置を識別できるだけでなく,信頼性と有効性も示している。
論文 参考訳（メタデータ） (2022-03-15T23:16:49Z) - Hyperbolic Graph Neural Networks: A Review of Methods and Applications [61.49208407567829]
本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。
我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。
我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
論文 参考訳（メタデータ） (2022-02-28T15:08:48Z) - clDice -- A Novel Topology-Preserving Loss Function for Tubular
Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。
理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。
我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文 参考訳（メタデータ） (2020-03-16T16:27:49Z)
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。