論文の概要: Hierarchical Mesh Transformers with Topology-Guided Pretraining for Morphometric Analysis of Brain Structures

• arxiv url: http://arxiv.org/abs/2604.05215v1
• Date: Mon, 06 Apr 2026 22:27:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.51199
• Title: Hierarchical Mesh Transformers with Topology-Guided Pretraining for Morphometric Analysis of Brain Structures
• Title（参考訳）: 脳構造の形態計測解析のためのトポロジー誘導プレトレーニング付き階層型メッシュトランス
• Authors: Yujian Xiong, Mohammad Farazi, Yanxi Chen, Wenhui Zhu, Xuanzhao Dong, Natasha Lepore, Yi Su, Raza Mushtaq, Stephen Foldes, Andrew Yang, Yalin Wang,
• Abstract要約: ヘテロジニアスメッシュ解析のための階層型トランスフォーマーフレームワークを提案する。 特徴投影モジュールは、頂点ごとの可変長臨床記述子を空間階層にマッピングする。 我々は、ADNIの体積脳メッシュを用いたアルツハイマー病の分類とアミロイド負荷予測、およびMELDデータセットによる皮質表面メッシュの局所皮質異形成の検出に対するアプローチを検証した。
• 参考スコア（独自算出の注目度）: 7.663406601980095
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Representation learning on large-scale unstructured volumetric and surface meshes poses significant challenges in neuroimaging, especially when models must incorporate diverse vertex-level morphometric descriptors, such as cortical thickness, curvature, sulcal depth, and myelin content, which carry subtle disease-related signals. Current approaches either ignore these clinically informative features or support only a single mesh topology, restricting their use across imaging pipelines. We introduce a hierarchical transformer framework designed for heterogeneous mesh analysis that operates on spatially adaptive tree partitions constructed from simplicial complexes of arbitrary order. This design accommodates both volumetric and surface discretizations within a single architecture, enabling efficient multi-scale attention without topology-specific modifications. A feature projection module maps variable-length per-vertex clinical descriptors into the spatial hierarchy, separating geometric structure from feature dimensionality and allowing seamless integration of different neuroimaging feature sets. Self-supervised pretraining via masked reconstruction of both coordinates and morphometric channels on large unlabeled cohorts yields a transferable encoder backbone applicable to diverse downstream tasks and mesh modalities. We validate our approach on Alzheimer's disease classification and amyloid burden prediction using volumetric brain meshes from ADNI, as well as focal cortical dysplasia detection on cortical surface meshes from the MELD dataset, achieving state-of-the-art results across all benchmarks.
• Abstract（参考訳）: 大規模非構造体および表面メッシュでの表現学習は、特に、微妙な疾患関連信号を運ぶ、皮質の厚さ、曲率、sulcal depth、myelin含量などの様々な頂点レベルの形態計測記述子を組み込まなければならない場合、神経イメージングにおいて重要な課題となる。 現在のアプローチでは、これらの臨床的に有益な特徴を無視したり、単一のメッシュトポロジのみをサポートし、イメージングパイプライン間での使用を制限する。 任意の順序の単体錯体から構築された空間適応木分割を演算するヘテロジニアスメッシュ解析のための階層型トランスフォーマーフレームワークを提案する。 この設計は、単一のアーキテクチャ内でのボリュームと表面の離散化の両方に対応し、トポロジーに固有の変更を加えることなく、効率的なマルチスケールの注目を可能にする。 特徴投影モジュールは、可変長の頂点当たり臨床記述子を空間的階層にマッピングし、幾何学的構造と特徴次元を分離し、異なる神経画像特徴セットのシームレスな統合を可能にする。 大きなラベルのないコホート上の座標と形態計測チャネルのマスク付き再構成による自己教師付き事前訓練により、様々な下流のタスクやメッシュのモダリティに適用可能な転送可能なエンコーダのバックボーンが得られる。 我々は、ADNIの体積脳メッシュを用いたアルツハイマー病分類とアミロイド負荷予測、およびMELDデータセットからの皮質表面メッシュの局所皮質異形成の検出に対するアプローチを検証し、全てのベンチマークで最先端の結果を得た。

関連論文リスト

• Layout-Guided Controllable Pathology Image Generation with In-Context Diffusion Transformers [57.54843029965778]
  制御可能な病理画像合成には、空間配置、組織形態、意味的詳細の信頼できる規制が必要である。 In-Context Diffusion Transformer (IC-DiT) は,空間レイアウト,テキスト記述,視覚的埋め込みを統合拡散変換器に組み込んだレイアウト認識生成モデルである。 IC-DiTは既存の方法よりも忠実度が高く、空間制御性が強く、診断の整合性が良くなる。
  論文  参考訳（メタデータ） (2026-03-11T06:14:11Z)
• High-Fidelity Medical Shape Generation via Skeletal Latent Diffusion [10.218375997417917]
  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。
  論文  参考訳（メタデータ） (2026-03-08T07:18:27Z)
• GROVER: Graph-guided Representation of Omics and Vision with Expert Regulation for Adaptive Spatial Multi-omics Fusion [8.680469644745463]
  本稿では,適応型空間マルチオミクス融合のエキスパートレギュレーションによるオミとビジョンのグラフ誘導表現を提案する。 GROVERは空間マルチオミクスデータの適応的統合のための新しいフレームワークである。 GROVERは最先端のベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-13T06:20:37Z)
• Local properties of neural networks through the lens of layer-wise Hessians [45.88028371034407]
  本稿では,階層型ヘッセン行列のレンズを用いたニューラルネットワーク解析手法を提案する。 この概念はパラメータ空間の局所幾何学を特徴づけるための公式なツールを提供する。
  論文  参考訳（メタデータ） (2025-10-20T12:34:31Z)
• Mesh Denoising Transformer [104.5404564075393]
  Mesh Denoisingは、入力メッシュからノイズを取り除き、特徴構造を保存することを目的としている。 SurfaceFormerはTransformerベースのメッシュDenoisingフレームワークのパイオニアだ。 局所曲面記述子(Local Surface Descriptor)として知られる新しい表現は、局所幾何学的複雑さをキャプチャする。 Denoising Transformerモジュールは、マルチモーダル情報を受信し、効率的なグローバル機能アグリゲーションを実現する。
  論文  参考訳（メタデータ） (2024-05-10T15:27:43Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• 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)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)

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。