論文の概要: HeartVolMesh: Cardiac Volumetric Mesh Reconstruction via Covariance-Guided Graph Deformation
- arxiv url: http://arxiv.org/abs/2607.04243v1
- Date: Sun, 05 Jul 2026 11:42:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.875035
- Title: HeartVolMesh: Cardiac Volumetric Mesh Reconstruction via Covariance-Guided Graph Deformation
- Title（参考訳）: HeartVolMesh:Covariance-Guided Graph deformation を用いた心容積メッシュ再構成
- Abstract要約: HeartVolMeshはテンプレートを異方性ガウスカーネルに持ち上げ、3D CNN-GNNを使用して頂点ごとの変位を予測する。
体積メッシュ化では,定型四面体テンプレートをステージアライメント,非剛性登録,変形伝搬により再構成した面にワープする。
実験により, 表面メッシュの精度と体積メッシュの忠実度において, 変形に基づくベースラインよりも一貫した利得が得られた。
- 参考スコア（独自算出の注目度）: 40.08276134769528
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate patient-specific tetrahedral cardiac meshes are essential for in-silico trials, yet common segmentation-then-modelling pipelines can blur thin-wall anatomy and offer limited cross-case correspondence. We propose HeartVolMesh, which lifts each template vertex to an anisotropic Gaussian kernel and uses a 3D CNN-GNN to predict per-vertex displacements and Cholesky-parameterized covariances from volumetric images. Training is guided by a covariance-aware negative log-likelihood loss with lightweight mesh regularization. For volumetric meshing, we warp a fixed tetrahedral template to the reconstructed surface via staged alignment, non-rigid registration, and deformation propagation, preserving connectivity and correspondence by construction, with resolution controlled by template density. Experiments show consistent gains over deformation-based baselines in surface mesh accuracy and volumetric mesh fidelity.
- Abstract（参考訳）: 正確な患者特異的四面体心筋メッシュは、サイリコ試験に必須であるが、一般的なセグメンテーションモデルパイプラインは、薄い壁の解剖を曖昧にし、クロスケース対応を制限できる。
本稿では,各テンプレート頂点を異方性ガウスカーネルに持ち上げるHeartVolMeshを提案する。
トレーニングは、軽量メッシュ正規化による共分散を意識した負のログライクな損失によって導かれる。
体積メッシュ化では, 一定の四面体テンプレートをステージアライメント, 非剛性登録, 変形伝搬により, 接続性を維持し, 構成による対応を保ち, テンプレート密度によって解像度を制御した。
実験により, 表面メッシュの精度と体積メッシュの忠実度において, 変形に基づくベースラインよりも一貫した利得が得られた。
関連論文リスト
- Beyond Isotropic Assumptions: Continuity-Constrained Segmentation and GPU Morphometry for Nanoscale GBM Analysis [1.3107669223114085]
共焦点顕微鏡による3Dの複雑な生物学的構造を解明する。
セグメンテーションモデルをトレーニングするには、アップサンプリングされた空間で密集したアノテーションが必要であり、これは禁止的なラベル付けの負担である。
我々は、追加のアノテーションなしでこれを克服するエンドツーエンドのGPUアクセラレーションフレームワークを提示します。
論文 参考訳（メタデータ） (2026-08-04T18:28:19Z) - Bi-PT: Bidirectional Cross-Attention Point Transformers for Four-Chamber Heart Reconstruction from Sparse Cardiac MRI Data [4.642439193156724]
Bi-PTは、スパースポイントクラウドからの4つのチャンバー心メッシュの正確な推測を可能にする。
変形場をニューラル正規微分方程式 (NODE) として定式化し, 点ごとのアフィン変換をパラメータとした。
Bi-PTはベースラインに比べて正確でロバストなパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-07-08T02:37:55Z) - Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
拡散モデルは、顕著な品質で高次元データを生成する。
彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。
我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
論文 参考訳（メタデータ） (2026-05-16T16:51:10Z) - Hierarchical Mesh Transformers with Topology-Guided Pretraining for Morphometric Analysis of Brain Structures [7.663406601980095]
ヘテロジニアスメッシュ解析のための階層型トランスフォーマーフレームワークを提案する。
特徴投影モジュールは、頂点ごとの可変長臨床記述子を空間階層にマッピングする。
我々は、ADNIの体積脳メッシュを用いたアルツハイマー病の分類とアミロイド負荷予測、およびMELDデータセットによる皮質表面メッシュの局所皮質異形成の検出に対するアプローチを検証した。
論文 参考訳（メタデータ） (2026-04-06T22:27:36Z) - 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) - Shape Deformation Networks for Automated Aortic Valve Finite Element Meshing from 3D CT Images [3.4794111410037387]
我々は,3次元CT画像から構造化クワッドメッシュを生成するために,深層ニューラルネットワークを用いたテンプレート適合パイプラインを提案する。
クアッドメッシュテンプレートを用いて全患者の大動脈弁をリメッシングすることにより,一貫したノード間および要素間対応で一貫したメッシュトポロジーを確保できる。
論文 参考訳（メタデータ） (2025-11-05T22:33:32Z) - AortaDiff: Volume-Guided Conditional Diffusion Models for Multi-Branch Aortic Surface Generation [8.062885940500259]
AortaDiffは、CT/MRIボリュームから直接滑らかな大動脈表面を生成する拡散ベースのフレームワークである。
AortaDiffは、限られたトレーニングデータでも効果的に動作し、正常および病理学的に変更された大動脈メッシュの両方を構築することに成功した。
この能力は、AortaDiffを心臓血管研究の実用的なソリューションとして、高品質な可視化と位置の創出を可能にする。
論文 参考訳（メタデータ） (2025-07-17T00:36:51Z) - Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。
本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文 参考訳（メタデータ） (2024-11-21T14:19:32Z) - KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
本稿では,網膜血管分割のためのKLDDモデルを提案する。
我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。
実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
論文 参考訳（メタデータ） (2024-09-19T14:21:38Z) - Neural deformation fields for template-based reconstruction of cortical
surfaces from MRI [5.4173776411667935]
本稿では,脳テンプレートからMRIスキャンの皮質表面への変形場を学習するディープメッシュ変形技術であるVox2Cortex-Flowを紹介する。
V2C-Flowは非常に高速なだけでなく、4つの皮質表面を推測するのに2秒もかからない。
V2C-Flowは精度の点で最先端の皮質表面を呈することを示す。
論文 参考訳（メタデータ） (2024-01-23T17:50:58Z) - ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。
これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。
テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
論文 参考訳（メタデータ） (2023-12-11T07:09:32Z) - A Model for Multi-View Residual Covariances based on Perspective
Deformation [88.21738020902411]
マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。
我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
論文 参考訳（メタデータ） (2022-02-01T21:21:56Z)
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。