論文の概要: From Raw Segmentations to Simulation-Ready Cardiac Meshes: An Automated Framework for Anatomical Reconstruction and Virtual Cohort Generation

• arxiv url: http://arxiv.org/abs/2607.02564v1
• Date: Mon, 29 Jun 2026 09:07:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.325221
• Title: From Raw Segmentations to Simulation-Ready Cardiac Meshes: An Automated Framework for Anatomical Reconstruction and Virtual Cohort Generation
• Title（参考訳）: 生のセグメンテーションからシミュレーション可能な心臓メッシュ:解剖学的再構成と仮想コホート生成のための自動化フレームワーク
• Abstract要約: 我々は,CTに基づくセグメンテーションをシミュレーション可能な心筋メッシュに変換する半自動パイプラインを提案する。 Chamfer-Distance morphing 戦略は、トポロジーを保ちながら個々のチャンバーにマッチして、各セグメンテーションハートに対して高品質なテンプレートを変形させる。 パイプラインは、すべての心臓室と近位血管セグメントを含む58個の心臓CTスキャンで検証されている。
• 参考スコア（独自算出の注目度）: 40.52388056968461
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Computational models of the human heart are widely used to study electromechanical and fluid-dynamical cardiac function and to support applications such as in silico clinical trials. However, most studies remain limited to single or patient-specific anatomies, restricting the inclusion of population-level variability required for uncertainty quantification. A key challenge is translating medical-image segmentations, which may contain artifacts, mesh defects or disjoint domains, into topologically coherent geometries suitable for multiphysics simulations. In this work, we present a semi-automatic pipeline that converts CT-based segmentations into simulation-ready cardiac meshes within a few minutes while preserving anatomical and topological consistency. Building on modern deep learning segmentation methods, the framework incorporates a template-based registration stage to regularize artifacts and enforce mesh-quality constraints. A Chamfer-distance morphing strategy deforms a high-quality template toward each segmented heart, matching individual chambers while preserving topology. The resulting meshes are watertight, isotopological, and endowed with consistent point-to-point correspondence. The pipeline is validated on 58 healthy cardiac CT scans, including all cardiac chambers and proximal vessel segments. The resulting meshes can be represented in a unified shape space, enabling the construction of a statistical shape model of the heart and major vessels. Principal Component Analysis shows that a low-dimensional latent space efficiently captures population variability, while Gaussian Mixture Modeling enables synthetic anatomy generation. Overall, the proposed framework (released open-source) provides a pathway from raw segmentations to simulation-ready cardiac geometries, enabling anatomically consistent virtual cohorts for large-scale in silico studies.
• Abstract（参考訳）: ヒト心臓の計算モデルは、電気機械的および流体力学的心機能の研究や、サイリコ臨床試験などの応用を支援するために広く用いられている。 しかし、ほとんどの研究は単体または患者固有の解剖学に限られており、不確実な定量化に必要な個体群レベルの変動を限定している。 重要な課題は、アーティファクト、メッシュ欠陥、または解離ドメインを含む医療画像のセグメンテーションを、多物理シミュレーションに適したトポロジ的に整合したジオメトリに変換することである。 本研究では,CTに基づくセグメンテーションを,解剖学的およびトポロジ的整合性を維持しつつ,数分以内にシミュレーション可能な心筋メッシュに変換するセミオートマチックパイプラインを提案する。 最新のディープラーニングセグメンテーション手法に基づいて、フレームワークはテンプレートベースの登録ステージを組み、アーティファクトを正規化し、メッシュ品質の制約を実施する。 Chamfer-Distance morphing 戦略は、トポロジーを保ちながら個々のチャンバーにマッチして、各セグメンテーションハートに対して高品質なテンプレートを変形させる。 得られたメッシュは水密で、等方的であり、一貫したポイント・ツー・ポイント対応が与えられている。 パイプラインは、すべての心臓室と近位血管セグメントを含む58個の心臓CTスキャンで検証されている。 得られたメッシュは統一された形状空間で表現することができ、心臓と主要血管の統計的形状モデルを構築することができる。 主成分分析では、低次元の潜伏空間が効率よく個体群変動を捉えているのに対し、ガウス混合モデリングは合成解剖学の生成を可能にしている。 全体として、提案されたフレームワーク(オープンソース)は、生のセグメンテーションからシミュレーション可能な心筋のジオメトリーへの経路を提供し、大規模なサイリコ研究のために解剖学的に一貫した仮想コホートを可能にする。

関連論文リスト

• AnaDiffusion: Anatomically CompositionalLatent Diffusion for Controllable 3D Brain MRI Generation [58.56402940400457]
  3次元脳MRIは、医用画像、シミュレーション、および制御可能な解剖学的解析において大きな進歩を遂げた。 本稿では,AnaDiffusionを紹介した。AnaDiffusionは解剖学的に有意な領域に生成過程を分解する,解剖学的に構成された潜在拡散フレームワークである。 AnaDiffusionは明示的な部分資産とグローバルなコヒーレントボリュームの両方を生成し、制御可能な部分編集を可能にする。
  論文  参考訳（メタデータ） (2026-08-24T09:16:42Z)
• Flow-based conditional cardiac anatomy generation for virtual cohorts [33.767190884355784]
  CAN-FLOWは、FLOWの正規化に基づく条件付き解剖生成フレームワークである。 健康な英国バイオバンクの被験者2,208名を対象にCAN-FLOWをトレーニングし,正常化強度のcVAEと比較した。
  論文  参考訳（メタデータ） (2026-08-10T11:30:02Z)
• Towards Voxel Spacing Consistency for Medical Image Segmentation [56.992050146446495]
  画像再サンプリングとセグメンテーションの相関について検討し,意味認識型再サンプリングフレームワークであるConsispaceを提案する。 コンシスペースは、解剖学的および意味的一貫性を維持しながら、軸方向における一貫したボクセル間隔を達成する。
  論文  参考訳（メタデータ） (2026-06-30T15:42:23Z)
• Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation [3.03918153717041]
  代理モデルはシミュレーションを加速することができるが、多様な解剖学における一般化は困難である。 物理応答の学習から幾何学的表現を分離する2段階の枠組みを提案する。 提案手法は, 正確な予測と非可視測地への一般化を可能にする。
  論文  参考訳（メタデータ） (2026-02-23T19:40:55Z)
• GRASPing Anatomy to Improve Pathology Segmentation [67.98147643529309]
  本稿では,病的セグメンテーションモデルを強化するモジュール型プラグイン・アンド・プレイフレームワークGRASPを紹介する。 2つのPET/CTデータセット上でGRASPを評価し、系統的アブレーション研究を行い、フレームワークの内部動作について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:26:36Z)
• Full-field surrogate modeling of cardiac function encoding geometric variability [1.3643562541556224]
  本研究では,心臓解剖学をフルフィールドサロゲートモデルに組み込む新しい計算パイプラインを提案する。 我々は,物理シミュレーションから抽出した活性化マップをニューラルネットワークに符号化するために,分岐潜時ニューラルネットワーク(BLNMs)を有効な科学的機械学習手法として用いた。 我々のサロゲートモデルは、複雑な患者コホートにまたがるロバスト性と大きな一般化を示し、平均2乗誤差0.0034を達成する。
  論文  参考訳（メタデータ） (2025-04-29T07:22:06Z)
• Shape of my heart: Cardiac models through learned signed distance functions [33.29148402516714]
  本研究では、リプシッツ正則性を持つ3次元深部符号距離関数を用いて心臓の形状を再構成する。 この目的のために、心臓MRIの形状を学習し、複数の室の空間的関係をモデル化する。 また,本手法は1つの心室からの点雲などの部分的データから解剖モデルを再構築することも可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-31T09:02:53Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• A Generative Shape Compositional Framework to Synthesise Populations of Virtual Chimaeras [52.33206865588584]
  複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。 心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。 提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
  論文  参考訳（メタデータ） (2022-10-04T13:36:52Z)
• Statistical Shape Modeling of Biventricular Anatomy with Shared Boundaries [16.287876512923084]
  本稿では,共有境界を持つ多臓器解剖学の統計的形状モデルを構築するための汎用的で柔軟なデータ駆動手法を提案する。 心臓の共有境界における形状変化は、非協調的収縮と低臓器灌流を引き起こす潜在的な病理学的変化を示す可能性がある。
  論文  参考訳（メタデータ） (2022-09-06T15:54:37Z)

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。