Fugu-MT 論文翻訳(概要): MeiBRD: Meta-Learning Intraoperative Biomechanical Residual Deformation

論文の概要: MeiBRD: Meta-Learning Intraoperative Biomechanical Residual Deformation

arxiv url: http://arxiv.org/abs/2606.17379v1
Date: Tue, 16 Jun 2026 00:26:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-17 17:15:32.184981
Title: MeiBRD: Meta-Learning Intraoperative Biomechanical Residual Deformation
Title（参考訳）: MeiBRD : メタラーニングによる生体力学的残留変形
Authors: Casey Meisenzahl, Jon Heiselman, Michael Holtz, Yubo Ye, Michael Miga, Linwei Wang,
Abstract要約: 本稿では, 生体力学に適応するハイブリッド登録フレームワークを提案する。我々は3次元肝メッシュ上の幾何学的注意を伴うグラフ神経拡散関数としてモデル化された線形生体力学予測を補正する残留変形関数を学習する。変形可能な肝ファントムデータセットの実験では、剛性、生体力学的、およびデータ駆動ベースラインと比較して、登録精度と一般化が改善された。
参考スコア（独自算出の注目度）: 6.90047141711785
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Accurate intraoperative liver registration is challenging due to substantial soft-tissue deformation yet sparse intraoperative measurements. Biomechanical models regularize this ill-posedness with prior knowledge but exhibit persistent prediction bias due to simplifying assumptions, while data-driven learning solutions struggle with data efficiency, generalization, and physical plausibility. We propose a hybrid registration framework that adapts a biomechanical prior using sparse intraoperative correspondences. Rather than learning a full deformation field, we learn a residual deformation function that corrects linear biomechanical predictions, modeled as a graph neural diffusion function with geometry-aware attention over the 3D liver mesh. To enable long-range information transfer of sparse observations, we take a novel perspective of sparse intraoperative measurements as \textit{context} samples where input-output pairs of the residual deformation function are fully observed, casting the problem into learning-to-learn this residual function from intraoperative context samples with feedforward meta-learners. Experiments on a deformable liver phantom dataset demonstrate improved registration accuracy and generalization compared to rigid, biomechanical, and data-driven baselines, particularly for out-of-distribution geometries and deformations.
Abstract（参考訳）: 術中肝の正確な登録は, 軟部変形が著しいが, 術中測定は少ないため困難である。バイオメカニカルモデルは、この不適切さと事前の知識を規則化するが、仮定の単純化による持続的な予測バイアスを示す一方、データ駆動学習ソリューションはデータ効率、一般化、物理的妥当性に苦しむ。本稿では, 生体力学に適応するハイブリッド登録フレームワークを提案する。完全変形場を学習する代わりに,3次元肝メッシュ上の幾何学的注意を伴うグラフ神経拡散関数としてモデル化された線形生体力学的予測を補正する残留変形関数を学習する。スパース観測の長距離情報伝達を可能にするために,残差変形関数の入力-出力対が完全に観測された場合のスパース内部測定の新たな視点を,フィードフォワードメタラーナーを用いた術中コンテキストサンプルから,この残差関数を学習して学習する。変形可能な肝ファントムデータセットの実験では, 剛性, 生体力学, およびデータ駆動ベースラインと比較して, 登録精度と一般化が向上した。

関連論文リスト

Deep Biomechanically-Guided Interpolation for Keypoint-Based Brain Shift Registration [0.9779710626805148]
キーポイントベースの登録法は、大きな変形や位相変化に対して堅牢性を提供する。それらは通常、組織を無視して密度の高い変位場を作る単純な幾何学的補間器に依存している。本稿では,スパース整合キーポイントから高密度で物理的に妥当な脳の変形を推定する新しいディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2025-08-19T11:58:46Z)
impuTMAE: Multi-modal Transformer with Masked Pre-training for Missing Modalities Imputation in Cancer Survival Prediction [75.43342771863837]
我々は,効率的なマルチモーダル事前学習戦略を備えた新しいトランスフォーマーに基づくエンドツーエンドアプローチである impuTMAE を紹介する。マスクされたパッチを再構築することで、モダリティの欠如を同時に示唆しながら、モダリティ間の相互作用とモダリティ内相互作用を学習する。本モデルは,TGA-GBM/LGGとBraTSデータセットを用いたグリオーマ生存予測のために,異種不完全データに基づいて事前訓練を行った。
論文参考訳（メタデータ） (2025-08-08T10:01:16Z)
PETIMOT: A Novel Framework for Inferring Protein Motions from Sparse Data Using SE(3)-Equivariant Graph Neural Networks [1.2289361708127877]
本稿では, スパース実験から推定されるタンパク質の運動の連続的コンパクト表現を目標として, この問題に対する新たな視点を示す。 PETIMOT (Protein sEquence and sTructure-based Inference of MOTions) は,SE(3)-equivariant graph Neural Networkを用いて,事前学習したタンパク質言語モデルからの伝達学習を利用する。 PETIMOTは、Protein Data Bankでトレーニングされ評価されると、最先端のフローマッチングアプローチや従来の物理モデルと比較して、時間と正確性において優れたパフォーマンスを示し、タンパク質のダイナミクス、特に大きな/遅いコンフォメーション変化を捉えている。
論文参考訳（メタデータ） (2025-03-19T09:25:32Z)
PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
論文参考訳（メタデータ） (2024-09-24T07:57:21Z)
LIBR+: Improving Intraoperative Liver Registration by Learning the Residual of Biomechanics-Based Deformable Registration [6.0499389232972565]
線形弾性バイオメカニクスに基づく線形化反復境界再構成(LIBR)手法を利用した新しいテクスタイブリッド登録手法を提案する。また,二分岐スプライン残差グラフ畳み込みニューラルネットワーク(SR-GCN)を定式化し,スパースおよび可変術中測定からの情報の同化を行う。
論文参考訳（メタデータ） (2024-03-11T16:54:44Z)
Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文参考訳（メタデータ） (2023-12-08T18:11:22Z)
SuPerPM: A Surgical Perception Framework Based on Deep Point Matching Learned from Physical Constrained Simulation Data [28.314243346768112]
変形時の組織追跡誤差の主な原因は、観測されたセンサ測定と以前追跡されたシーンとの間違ったデータ関係にある。この問題を軽減するために,データアソシエーションのための学習ベースの非剛点クラウドマッチングを利用した外科的知覚フレームワークSuPerPMを提案する。提案手法は, 大規模な変形を特徴とする, 高度な手術シーン追跡アルゴリズムよりも優れた性能を有する, 難易度の高いいくつかの手術用データセット上で実証された。
論文参考訳（メタデータ） (2023-09-25T04:27:06Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
General Neural Gauge Fields [100.35916421218101]
我々はゲージ変換とニューラルネットワークを協調的に最適化する学習フレームワークを開発した。我々は、シーン情報を本質的に保存し、優れた性能を得ることができる情報不変ゲージ変換を導出する。
論文参考訳（メタデータ） (2023-05-05T12:08:57Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)

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。