論文の概要: LDDMM stochastic interpolants: an application to domain uncertainty quantification in hemodynamics
- arxiv url: http://arxiv.org/abs/2603.28324v1
- Date: Mon, 30 Mar 2026 11:52:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.370511
- Title: LDDMM stochastic interpolants: an application to domain uncertainty quantification in hemodynamics
- Title（参考訳）: LDDMM確率補間剤 : 血行動態における領域不確実性定量化への応用
- Authors: Sarah Katz, Francesco Romor, Jia-Jie Zhu, Alfonso Caiazzo,
- Abstract要約: 三次元形状の生成モデリングのための新しい条件補間フレームワークを提案する。
本稿では,患者の初期コホートから大動脈の形状が生成する心血管シミュレーションの文脈における応用について述べる。
- 参考スコア（独自算出の注目度）: 2.003675800246271
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a novel conditional stochastic interpolant framework for generative modeling of three-dimensional shapes. The method builds on a recent LDDMM-based registration approach to learn the conditional drift between geometries. By leveraging the resulting pull-back and push-forward operators, we extend this formulation beyond standard Cartesian grids to complex shapes and random variables defined on distinct domains. We present an application in the context of cardiovascular simulations, where aortic shapes are generated from an initial cohort of patients. The conditioning variable is a latent geometric representation defined by a set of centerline points and the radii of the corresponding inscribed spheres. This methodology facilitates both data augmentation for three-dimensional biomedical shapes, and the generation of random perturbations of controlled magnitude for a given shape. These capabilities are essential for quantifying the impact of domain uncertainties arising from medical image segmentation on the estimation of relevant biomarkers.
- Abstract（参考訳）: 三次元形状の生成モデリングのための条件付き確率補間フレームワークを提案する。
この手法は最近のLCDMMに基づく登録手法に基づいて,測地間の条件付きドリフトを学習する。
得られたプルバックおよびプッシュフォワード演算子を活用することで、この定式化を標準カルト格子を超えて、異なる領域上で定義された複素形状とランダム変数に拡張する。
本稿では,患者の初期コホートから大動脈の形状が生成する心血管シミュレーションの文脈における応用について述べる。
条件変数は、中心点の集合と対応する入力球の半径によって定義される潜在幾何学的表現である。
この手法は、三次元生体形状のデータ増大と、所定の形状に対する制御された大きさのランダムな摂動の生成を促進させる。
これらの能力は、医用画像のセグメンテーションから生じる領域の不確実性が関連するバイオマーカーの推定に与える影響を定量化するために不可欠である。
関連論文リスト
- ARC-Flow : Articulated, Resolution-Agnostic, Correspondence-Free Matching and Interpolation of 3D Shapes Under Flow Fields [4.706075725469252]
本研究は、2つの3次元調音形状間の物理的可視性の教師なし予測のための統一的な枠組みを示す。
ニューラル正規微分方程式(ODE)が支配する滑らかな時間変化流れ場を用いた微分同相変換として補間をモデル化する
対応性は, パラメータ化の異なる高忠実度曲面に有効である, 効率的なバリアフォールド定式化を用いて回復する。
論文 参考訳（メタデータ） (2025-03-04T13:28:05Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - Relative Representations: Topological and Geometric Perspectives [50.85040046976025]
相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。
相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。
第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
論文 参考訳（メタデータ） (2024-09-17T08:09:22Z) - Diffusion-Driven Generative Framework for Molecular Conformation
Prediction [0.66567375919026]
機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。
本研究は,最先端な生成手法を提案する。
メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
論文 参考訳（メタデータ） (2023-12-22T11:49:39Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Data-driven reduced-order modelling for blood flow simulations with
geometry-informed snapshots [0.0]
類似しているが異なる領域における血流シミュレーションの効率的な予測法として,データ駆動サロゲートモデルを提案する。
幾何パラメータに対する非侵入的還元次数モデルが適切な分解を用いて構築される。
ラジアル基底関数補間器は、縮小順序モデルの縮小係数を予測するために訓練される。
論文 参考訳（メタデータ） (2023-02-21T21:18:17Z) - Inverse Learning of Symmetries [71.62109774068064]
2つの潜在部分空間からなるモデルで対称性変換を学ぶ。
我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。
我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-02-07T13:48:52Z)
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。