Fugu-MT 論文翻訳(概要): MedPCFM: Improving Medical Point Cloud Completion by Integrating Point Transformers and Flow Matching

論文の概要: MedPCFM: Improving Medical Point Cloud Completion by Integrating Point Transformers and Flow Matching

arxiv url: http://arxiv.org/abs/2606.24433v1
Date: Tue, 23 Jun 2026 11:09:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-24 22:16:48.913984
Title: MedPCFM: Improving Medical Point Cloud Completion by Integrating Point Transformers and Flow Matching
Title（参考訳）: MedPCFM: 点変換器とフローマッチングの統合による医療点雲補完の改善
Authors: Kamil Kwarciak, Marek Wodzinski,
Abstract要約: 我々は,医療点雲完成のためのフローマッチング手法であるPCFMを紹介する。我々は,SkullFixとSkullBreak,さらに最近の下顎欠損データセットについて検討した。 PCFM with PTv3は決定論的PTv3ベースラインと競合し、最先端の生成性能を達成する。
参考スコア（独自算出の注目度）: 0.41171927271696834
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Medical point cloud completion is important for anatomical reconstruction and downstream clinical workflows, yet generative modeling in this setting remains insufficiently studied. We investigate completion through continuous-time generative modeling and introduce PCFM, a PTv3-backed flow matching approach for medical point cloud completion. We evaluate on SkullFix and SkullBreak, and additionally on the more recent Mandibular Defect dataset. We build strong baselines by adapting PTv3 to a deterministic encoder-decoder completion model and by instantiating diffusion completion (PCDiff) with both PVCNN and PTv3 denoisers. PCFM with PTv3 is competitive with the deterministic PTv3 baseline and achieves state-of-the-art generative performance across datasets, while requiring substantially fewer sampling steps than diffusion. At the best operating points, PTv3 also yields clear throughput gains, providing up to a 7$\times$ speed-up for PCFM compared to a PVCNN backbone. Finally, we study empirical scaling trends by varying model size and point cardinality, showing consistent gains with higher point resolution and informative trade-offs across model scales.
Abstract（参考訳）: 医学点雲の完成は解剖学的再建と下流臨床ワークフローにとって重要であるが、この環境における生成的モデリングは十分に研究されていない。我々は、連続時間生成モデルによる完了について検討し、医療点雲完成のためのPTv3支援フローマッチングアプローチであるPCFMを導入する。我々は,SkullFixとSkullBreak,さらに最近の下顎欠損データセットについて検討した。我々は、PTv3を決定論的エンコーダデコーダ補完モデルに適応させ、PVCNNとPTv3デノイザの両方で拡散完了(PCDiff)をインスタンス化することによって、強力なベースラインを構築する。 PTv3を用いたPCFMは、決定論的PTv3ベースラインと競合し、データセット間の最先端の生成性能を達成すると同時に、拡散よりもサンプリングステップをかなり少なくする。ベストな運用ポイントでは、PTv3は、PVCNNのバックボーンと比較して7$\times$のPCFM速度アップを提供する、明確なスループットも得る。最後に,モデルサイズと点濃度の変動による経験的スケーリング傾向について検討し,より高い点分解能とモデルスケール間の情報的トレードオフで一貫した利得を示す。

関連論文リスト

A robust PPG foundation model using multimodal physiological supervision [7.441186015526675]
光胸腺造影は、血液量の変化を非侵襲的に測定する尺度である。最近の PPG ファンデーションモデルは、キュレートされたデータを必要とする事前トレーニングパラダイムを備えたオープンソースの ICU データセットを使用するか、あるいはクローズドソースのフィールドライクな PPG データを使用する。そこで本研究では,ICUデータセットにおける心電図と呼吸信号とを併用して,事前トレーニング中のコントラストサンプルを選択することを目的として,高品質・フィールドライクな事前トレーニングデータを必要としないPSG基盤モデルを提案する。
論文参考訳（メタデータ） (2026-06-05T15:08:50Z)
MedPruner: Training-Free Hierarchical Token Pruning for Efficient 3D Medical Image Understanding in Vision-Language Models [59.180043227905294]
MedPrunerは、3次元医用画像の効率的な理解のためのトレーニング不要でモデルに依存しない階層的トークンプレーニングフレームワークである。我々は、MedPrunerによって、MedGemmaのようなモデルが元の性能を維持したり、超えたりすることが可能であり、ビジュアルトークンの5%以下を維持していることを示す。
論文参考訳（メタデータ） (2026-03-12T07:37:00Z)
Optimizing 3D Diffusion Models for Medical Imaging via Multi-Scale Reward Learning [7.493047521402676]
本稿では,RL(Reinforcement Learning)を用いた3次元拡散モデルの改良手法を提案する。 2次元スライス・アセスメントと3次元解析を統合した新たな報酬システムによって導かれるPPO(Proximal Policy Optimization)を用いてモデルを微調整する。以上の結果から,RLフィードバックを組み込むことで,より高品質な分散を実現することが可能であることが示唆された。
論文参考訳（メタデータ） (2026-03-06T11:30:55Z)
Breaking the Data Barrier: Robust Few-Shot 3D Vessel Segmentation using Foundation Models [0.0]
最先端の船体セグメンテーション手法は、通常、大規模な注釈付きデータセットを必要とし、ドメインシフト時に深刻なパフォーマンス劣化に悩まされる。本稿では,ボリューム容器分割に適応した事前学習型ビジョンファウンデーションモデル(DINOv3)を活用する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2026-02-27T08:24:44Z)
LVADNet3D: A Deep Autoencoder for Reconstructing 3D Intraventricular Flow from Sparse Hemodynamic Data [2.6043530265581505]
スパース速度ベクトル入力から完全分解能心室内速度場を再構成する3次元畳み込みオートエンコーダであるLVADNet3Dを提案する。 CFDシミュレーションを用いて心室中血流の高分解能データセットを作製した。様々な入力構成において、LVADNet3DはベースラインのUNet3Dモデルより優れ、低い再構成誤差とより高いPSNR結果が得られる。
論文参考訳（メタデータ） (2025-09-21T01:20:25Z)
Med-PU: Point Cloud Upsampling for High-Fidelity 3D Medical Shape Reconstruction [3.03428788883563]
骨盤形状の正確な再構築のために,医用画像セグメンテーションと点雲アップサンプリングを統合したフレームワークであるMed-PUを提案する。ランドマークやPCAベースの統計形状モデルとは異なり、Med-PUは大規模3次元形状データから直接暗黙の解剖学を学習する。 Med-PUは、アーティファクトを低減しつつ、表面品質と解剖学的忠実度を一貫して改善し、入力密度間の堅牢性を実証する。
論文参考訳（メタデータ） (2025-01-28T05:47:50Z)
DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文参考訳（メタデータ） (2024-06-05T06:18:03Z)
ECC-PolypDet: Enhanced CenterNet with Contrastive Learning for Automatic Polyp Detection [88.4359020192429]
既存の手法では、計算コストのかかるコンテキストアグリゲーションが伴うか、ポリープの事前モデリングが欠如しているため、難解なケースでは性能が低下する。本稿では,2段階のトレーニングとエンドツーエンド推論フレームワークである Enhanced CenterNet with Contrastive Learning (ECC-PolypDet) を提案する。 Box-assisted Contrastive Learning (BCL) は, クラス内差を最小限に抑え, 前庭ポリープと背景のクラス間差を最大化するため, 隠れポリープを捕捉する。微調整段階におけるIoU誘導サンプル再重み付けの導入
論文参考訳（メタデータ） (2024-01-10T07:03:41Z)
Adaptive Multi-step Refinement Network for Robust Point Cloud Registration [82.64560249066734]
ポイントクラウド登録は、同じシーンの2つのポイントクラウド間の相対的な厳密な変換を推定する。本稿では,前ステップからの情報を活用することで,各ステップの登録品質を向上する適応型多段階改良ネットワークを提案する。本手法は3DMatch/3DLoMatchベンチマークとKITTIベンチマークの両方で最先端の性能を実現する。
論文参考訳（メタデータ） (2023-12-05T18:59:41Z)
Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文参考訳（メタデータ） (2021-04-07T01:15:06Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)

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。