論文の概要: Transformer-Guided Graph Attention for Direct Cardiac Mesh Reconstruction: A Structural Digital Twin Framework

• arxiv url: http://arxiv.org/abs/2606.13188v1
• Date: Thu, 11 Jun 2026 10:55:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.739269
• Title: Transformer-Guided Graph Attention for Direct Cardiac Mesh Reconstruction: A Structural Digital Twin Framework
• Title（参考訳）: Transformer-Guided Graph Attention for Direct Cardiac Mesh Reconstruction: a Structure Digital Twin Framework
• Authors: Abhishek H S, Akash Ganamukhi, Abhimanyu Suresh, Aditya G Hiremath, Prasad B Honnavalli, Adithya Balasubramanyam,
• Abstract要約: 私たちは、生の3D医療画像からスムーズでシミュレーション可能な心臓表面メッシュまで、単一のエンドツーエンドネットワークをトレーニングします。 コアは3D Swin Transformer Encoder-decoderで、CTまたはMRIボリュームから体積的特徴を抽出し、グラフ注意ネットワークヘッドと組み合わせて、反復的にテンプレートメッシュを変形して患者の心臓境界に適合させる。 すべてのメッシュは単一のフォワードパスで生成されます -- マーチングキューブもスムーズなフィルタも手作業によるクリーンアップも不要です。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building patient-specific cardiac models sits at the heart of precision cardiology, yet getting those models into clinical use keeps running into the same wall: mesh generation is slow, messy, and frustrating. The standard workflow -- segmenting the image, running Marching Cubes, and then manually cleaning up the result -- is time-consuming, inconsistent across operators, and demands specialist knowledge most clinical teams do not have. We take a fundamentally different approach. Instead of treating segmentation and mesh generation as two separate problems, we train a single end-to-end network that goes directly from a raw 3D medical image to a smooth, simulation-ready cardiac surface mesh. The core is a 3D Swin Transformer encoder-decoder that extracts volumetric features from CT or MRI volumes, paired with a Graph Attention Network (GAT) head that iteratively deforms a template mesh to fit the patient's cardiac boundary. We tested on the MM-WHS 2017 benchmark using both CT and MRI. Segmentation scores were competitive (Dice of 0.84 on CT, 0.83 on MRI), but the primary focus is mesh quality: mean Chamfer distance of 1.8 mm, with 95th-percentile surface distance below 5 mm. Every mesh is produced in a single forward pass -- no Marching Cubes, no smoothing filters, no manual cleanup. We argue that for cardiac digital twin pipelines, geometric fidelity and topological correctness matter more than pixel-level Dice scores. By removing the post-processing bottleneck, this approach makes patient-specific cardiac simulation substantially more accessible for clinical use.
• Abstract（参考訳）: 患者固有の心臓モデルの構築は、精度の高い心臓医学の中心にあるが、それらのモデルを臨床利用するためには、メッシュの生成は遅く、混乱し、イライラする。 標準的なワークフロー -- イメージのセグメンテーション、マーチングキューブの実行、結果の手作業によるクリーニング -- は、演算子間で一貫性がなく、ほとんどの臨床チームが持っていない専門知識を要求する。 私たちは根本的に異なるアプローチを取っています。 セグメンテーションとメッシュ生成を2つの別の問題として扱う代わりに、生の3D医療画像からスムーズでシミュレーション可能な心臓表面メッシュまで、単一のエンドツーエンドネットワークをトレーニングします。 コアは3D Swin Transformer Encoder-decoderで、CTまたはMRIボリュームから体積的特徴を抽出し、患者の心臓境界に合うようにテンプレートメッシュを反復的に変形するグラフ注意ネットワーク(GAT)ヘッドと組み合わせる。 CTとMRIの両方を用いてMM-WHS 2017ベンチマークで検討した。 セグメンテーションスコアは競争力があった(CTでは0.84、MRIでは0.83)が、主な焦点はメッシュの品質である。 すべてのメッシュは単一のフォワードパスで生成されます -- マーチングキューブもスムーズなフィルタも手作業によるクリーンアップも不要です。 心臓のデジタルツインパイプラインでは、幾何学的忠実度と位相的正しさがピクセルレベルのDiceスコアよりも重要であると論じる。 術後のボトルネックを取り除くことで、患者固有の心臓シミュレーションを臨床的に利用しやすくする。

関連論文リスト

• Radiology Report Generation with Layer-Wise Anatomical Attention [35.18016233072556]
  我々は胸部X線レポートのFinderingsセクションを生成するコンパクトな画像からテキストへのアーキテクチャを提案する。 このモデルは凍結した自己蒸留とNo Labels v3 (DINOv3) Vision Transformer (ViT)エンコーダとGenerative Pre-trained Transformer 2 (GPT-2)デコーダを組み合わせたものである。
  論文  参考訳（メタデータ） (2025-12-18T18:17:57Z)
• Full-Head Segmentation of MRI with Abnormal Brain Anatomy: Model and Data Release [1.9492386975158917]
  さまざまな被験者を対象に,ボリュームセグメンテーションラベルを用いた98個のMRI画像を収集した。 我々は,3つの2次元U-Netからなるマルチ軸ネットワークを開発し,矢状面,軸面,コロナ面で独立に動作させた。
  論文  参考訳（メタデータ） (2025-01-30T19:31:13Z)
• Explicit Differentiable Slicing and Global Deformation for Cardiac Mesh Reconstruction [8.730291904586656]
  医用画像からの心臓解剖のメッシュ再構築は, 形状, 運動計測, 生体物理シミュレーションに有用である。 従来のボクセルベースのアプローチは、イメージの忠実さを損なう前処理と後処理に依存している。 そこで本稿では,メッシュのスライスからメッシュへの勾配バックプロパゲーションを可能にする,新しい識別可能なボキセル化とスライシング(DVS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-03T17:19:31Z)
• MTS-Net: Dual-Enhanced Positional Multi-Head Self-Attention for 3D CT Diagnosis of May-Thurner Syndrome [31.032250821769747]
  May-Thurner syndrome (MTS) は、人口の20%以上に影響し、腸大腿深部静脈血栓症のリスクを著しく高める血管疾患である。 CT (Computed Tomography) を用いたMTSの正確な早期診断は, 微妙な解剖学的圧迫と患者間の変動が原因で, 臨床上の課題である。 我々は,CTボリュームから空間時間パターンを抽出し,MTS診断の信頼性を高めるために,エンドツーエンドの3次元ディープラーニングフレームワークであるMTS-Netを提案する。
  論文  参考訳（メタデータ） (2024-06-07T06:51:09Z)
• Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
  画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。 グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。 我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
  論文  参考訳（メタデータ） (2023-11-22T21:51:29Z)
• Self-supervised 3D anatomy segmentation using self-distilled masked image transformer (SMIT) [2.7298989068857487]
  自己教師型学習は、畳み込みネットワークを用いた医用画像のセグメンテーションに成功している。 我々は、我々のアプローチがより正確で、他のプリテキストタスクよりも微調整データセットを少なくする必要があることを示した。
  論文  参考訳（メタデータ） (2022-05-20T17:55:14Z)
• A Novel Hybrid Convolutional Neural Network for Accurate Organ Segmentation in 3D Head and Neck CT Images [31.245109574064532]
  本研究では,2次元と3次元の畳み込みを融合させて異なる空間解像度に対処し,3次元HaNCT画像から効果的なエッジとセマンティック特徴を抽出するハイブリッドCNNを提案する。 MICCAI 2015チャレンジデータセットの実験は、OrganNet2.5Dが最先端の手法と比較して有望なパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2021-09-26T15:37:47Z)
• Segmentation of Cardiac Structures via Successive Subspace Learning with Saab Transform from Cine MRI [29.894633364282555]
  本研究では,適応バイアス(Saab)変換を用いた部分空間近似を用いた連続部分空間学習による機械学習モデルを提案する。 左心室,右心室,心筋のパラメータが200ドル以上で,最先端のU-Netモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-22T14:50:48Z)
• PC-U Net: Learning to Jointly Reconstruct and Segment the Cardiac Walls in 3D from CT Data [18.941064150226236]
  2次元CTスライスから直接LV MYO壁の点雲を直接再構成するPC-Uネットを提案する。 提案したPC-Uネットの協調学習フレームワークは,自動心画像解析タスクに有用である。
  論文  参考訳（メタデータ） (2020-08-18T23:37:05Z)
• CPR-GCN: Conditional Partial-Residual Graph Convolutional Network in Automated Anatomical Labeling of Coronary Arteries [34.47036303404335]
  位置とCT画像の両方を考慮した条件付き部分残差グラフ畳み込みネットワーク(CPR-GCN)を提案する。 5倍のクロスバリデーションによると、我々のCPR-GCNは95.8%平均リコール、95.4%平均Precision、0.955平均F1で、最先端のアプローチより優れている。
  論文  参考訳（メタデータ） (2020-03-19T04:02:12Z)

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。