論文の概要: High-Fidelity 3D Geometric Reconstruction of Pelvic Organs from MRI: A Hybrid Deep Learning and Iterative Optimization Approach

• arxiv url: http://arxiv.org/abs/2606.17836v1
• Date: Tue, 16 Jun 2026 12:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.419069
• Title: High-Fidelity 3D Geometric Reconstruction of Pelvic Organs from MRI: A Hybrid Deep Learning and Iterative Optimization Approach
• Title（参考訳）: MRIによる骨盤臓器の高忠実度3次元形状再構成 : ハイブリッドディープラーニングと反復最適化アプローチ
• Authors: Hui Wang, Xiaowei Li, Chenxin Zhang, Yifan Feng, Jianwei Zuo, Yumeng Tang, Xiuli Sun, Jianliu Wang, Bing Xie, Jiajia Luo,
• Abstract要約: 本研究では, 膀胱, 子宮, 直腸の再構築のために, 深層学習予測と反復最適化を統合したハイブリッド変形可能な形状モデリングフレームワークを提案する。 個々の解剖学的構造について, 膀胱, 直腸, 子宮の再構成された3次元形状は, チャンファー距離値が有意に低く, Dice similarity Coefficientスコアが高かった。
• 参考スコア（独自算出の注目度）: 17.60988278188525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Patient-specific 3D reconstruction of pelvic organ geometry from MRI is important for pelvic floor modeling and downstream patient-specific analysis. However, while previous studies have focused primarily on either image segmentation or downstream use of 3D models, the reconstruction of high-fidelity, high-quality geometries remains labor-intensive and poorly standardized. The study introduced a hybrid deformable shape modeling framework that integrates deep learning prediction with iterative optimization for the reconstruction of the bladder, uterus, and rectum. The framework consists of three core components: a geometry-aware multi-level deep learning architecture that preserves topological consistency of pelvic organs; a two-stage amortized optimization training strategy that balances global shape capture and local surface refinement; and a holistic synergy mechanism--where iterative optimization provides supervision for deep learning during the training phase, and during inference, deep learning rapidly predicts the global organ morphology, followed by iterative optimization to refine local surfaces and mesh quality. This framework demonstrated marked superiority in geometric fidelity than current mainstream deep learning-based organ reconstruction models. For individual anatomical structures, the reconstructed 3D geometries for the bladder, rectum, and uterus achieved significantly lower Chamfer Distance values and higher Dice Similarity Coefficient scores. In addition, while maintaining high computational efficiency, the proposed architecture yielded superior overall volumetric mesh quality. At the patient level, the framework achieved higher mean values for the 10 worst elements for both minSICN and minSIGE compared to traditional geometric post-processing algorithms.
• Abstract（参考訳）: MRIによる骨盤内臓器形状の3次元再構成は骨盤底のモデリングと下流の患者固有の分析に重要である。 しかし、従来の研究では主に3Dモデルのイメージセグメンテーションや下流利用に焦点が当てられていたが、高忠実度で高品質なジオメトリーの再構築は労働集約的であり、十分に標準化されていない。 本研究は, 深層学習予測と反復最適化を統合し, 膀胱, 子宮, 直腸の再構成を行うハイブリッドな変形可能な形状モデリングフレームワークを提案する。 このフレームワークは3つのコアコンポーネントで構成されている: 骨盤器官のトポロジ的整合性を維持する幾何学的マルチレベルディープラーニングアーキテクチャ、グローバルな形状のキャプチャと局所的な表面改質のバランスをとる2段階のアモルティファイト最適化トレーニング戦略、および総合的な相乗効果機構、トレーニングフェーズ中に深層学習の監視を提供する反復的最適化、推論中に深層学習がグローバルな臓器形態を急速に予測し、続いて局所的な表面とメッシュ品質を洗練するための反復的最適化である。 この枠組みは、現在主流の深層学習に基づく臓器再建モデルよりも幾何学的忠実度が顕著に優れていた。 個々の解剖学的構造について, 膀胱, 直腸, 子宮の再構成された3次元形状は, チャンファー距離値が有意に低く, Dice similarity Coefficientスコアが高かった。 さらに,高い計算効率を保ちながら,提案したアーキテクチャにより,全体のメッシュ品質が向上した。 患者レベルでは、従来の幾何学的後処理アルゴリズムと比較して、minSICNとminSIGEの双方で最悪の10つの要素の平均値を得た。

関連論文リスト

• Unrolled Reconstruction with Integrated Super-Resolution for Accelerated 3D LGE MRI [0.07026564887314535]
  本稿では,最適化ループの各イテレーションにおいて,EDSRネットワークを演算子に置き換えるハイブリッドアンロール型再構成フレームワークを提案する。 そこで提案手法は,PSNR と SSIM を標準的アンロール型再構成よりも常に改良する。 これらの結果から, 3次元LGE MRIでは, 超高分解能前兆を直接モデルベース再構成に組み込むことで, 測定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-03-18T21:48:48Z)
• Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles [74.32932832937618]
  我々は、微調整の前に幾何学学習を前もってロードする幾何学事前学習フレームワークであるtextbfRigidSSL$(textitRigidity-Aware Self-Supervised Learning$)を紹介した。 フェーズI(RigidSSL-Perturb)は、AlphaFoldタンパク質構造データベースから432K構造から、シミュレートされた摂動を持つ幾何学的先行を学習する。 フェーズII(RigidSSL-MD)は、1.3K分子動力学軌道上のこれらの表現を洗練し、物理的に現実的な遷移を捉える。
  論文  参考訳（メタデータ） (2026-03-02T21:32:30Z)
• ERGO: Excess-Risk-Guided Optimization for High-Fidelity Monocular 3D Gaussian Splatting [63.138778159026934]
  本稿では,ERGOと呼ばれる過度のリスク分解によって導かれる適応最適化フレームワークを提案する。 ERGOはビュー固有の過剰リスクを動的に推定し、最適化中の損失重みを適応的に調整する。 Google Scanned ObjectsデータセットとOmniObject3Dデータセットの実験は、既存の最先端メソッドよりもERGOの方が優れていることを示している。
  論文  参考訳（メタデータ） (2026-02-10T20:44:43Z)
• Advanced Geometric Correction Algorithms for 3D Medical Reconstruction: Comparison of Computed Tomography and Macroscopic Imaging [0.9395222766576343]
  本稿では, マクロスライスから3次元腎解剖を再構築するためのハイブリッド2段階登録フレームワークを提案する。 これは、マクロ画像の典型的なデータスカシティと高歪みの課題に対処する。 提案手法は,光学的および写真的断面から再構成した他の軟部臓器に一般化する。
  論文  参考訳（メタデータ） (2026-01-30T17:16:17Z)
• MetroGS: Efficient and Stable Reconstruction of Geometrically Accurate High-Fidelity Large-Scale Scenes [20.601722393809244]
  複雑な都市環境における効率的で堅牢な復興のための新しいフレームワークであるMetroGSを紹介する。 本手法は,分散2次元ガウススプラッティング表現を基本基盤として構築する。 大規模な都市データセットの実験により、MetroGSはより優れた幾何学的精度、レンダリング品質を達成することが示された。
  論文  参考訳（メタデータ） (2025-11-24T14:34:19Z)
• Are Pixel-Wise Metrics Reliable for Sparse-View Computed Tomography Reconstruction? [61.48804987263701]
  解剖学的構造全体にわたる構造的完全性を評価するために,解剖学的評価尺度の組を提案する。 CAREは、重要な構造物の解剖学的保存を促進するために、訓練中に構造的罰則を取り入れている。 CAREはCT再建における構造的完全性を大幅に改善し、大臓器では+32%、小臓器では+22%、小腸では+40%、血管では+36%となる。
  論文  参考訳（メタデータ） (2025-06-02T17:07:10Z)
• MultiGO: Towards Multi-level Geometry Learning for Monocular 3D Textured Human Reconstruction [4.457326808146675]
  本稿では, 単眼画像から3次元布体を再構築する研究課題について検討する。 既存のアプローチでは、事前訓練されたSMPL(-X)推定モデルや生成モデルを利用して、人間の再構築に補助情報を提供する。 技術的には,骨格レベルの強化,関節レベルの強化,輪郭レベルの改良モジュールの3つの重要なコンポーネントを設計する。
  論文  参考訳（メタデータ） (2024-12-04T08:06:06Z)
• GausSurf: Geometry-Guided 3D Gaussian Splatting for Surface Reconstruction [79.42244344704154]
  GausSurfは、テクスチャリッチな領域におけるマルチビュー一貫性と、シーンのテクスチャレスな領域における通常の事前の幾何学的ガイダンスを採用している。 本手法は,再現性や計算時間の観点から,最先端の手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-11-29T03:54:54Z)
• A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction [1.8047694351309207]
  本研究では,ボリュームCTとMR画像データから心表面メッシュ全体を直接予測する深層学習に基づく新しい手法を提案する。 本手法は,高分解能,高品質の全心臓再建を実現できる有望な性能を示した。
  論文  参考訳（メタデータ） (2021-02-16T00:39:43Z)

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。