論文の概要: NISF++: Geometrically-grounded implicit representations of 3D+time cardiac function from 2D short- and long-axis MR views
- arxiv url: http://arxiv.org/abs/2608.00752v1
- Date: Sat, 01 Aug 2026 16:35:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.887232
- Title: NISF++: Geometrically-grounded implicit representations of 3D+time cardiac function from 2D short- and long-axis MR views
- Title（参考訳）: NISF++ : 2次元短軸MR像と長軸MR像からの3D+時間心機能の幾何学的背景による暗黙的表現
- Abstract要約: 本稿では, 心機能モデリングにおける未適応課題を克服するために, 神経暗黙的セグメンテーション機能(NISF)に関するこれまでの研究を基礎にしている。
我々のアーキテクチャは、オリエンテーションに関係なく、利用可能なすべての取得プレーンから共有3D以上の時間表現を構築します。
航空機内セグメンテーション性能は,既存のCMRセグメンテーション法と同等であり,地上トラスセグメンテーションの限界から発生する故障事例の大多数について検討する。
- 参考スコア（独自算出の注目度）: 17.503826895619614
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Clinical acquisition in cardiac magnetic resonance (CMR) imaging involves obtaining cross-sectional planes of the heart along the radial and longitudinal directions. Despite these planes being 2D cross-sectional images of the heart, radiologists understand the 3D spatial and continuous temporal nature of the organ being imaged. The same can not be said about the conventional deep learning architectures used to process CMR images, which rely on in-plane and grid-based operations, and are hence unable to organically integrate information from all imaging planes. This paper builds upon previous work on neural implicit segmentation functions (NISF) to overcome unaddressed challenges in cardiac function modeling in the CMR domain. For a given subject, our architecture builds a shared 3D+time representations from all available acquisition planes regardless of orientation. By design, predictions along any imaging plane orientation are cross-sections of the same 3D representation, leading to spatio-temporal consistency across all slices. Moreover, our architecture makes the rotation and translation parameters of imaging planes learnable, allowing us to correct for the commonplace respiratory and patient motion between slice acquisitions under a rigid assumption. Furthermore, interpolation of intensities and segmentation can be performed in 4D at any desired resolution. We perform our study on a 120 subject sub-cohort of CMR imaging data from the UK-Biobank. Our in-plane segmentation performance is on-par with existing CMR segmentation methods and explore how the majority of failure cases arise from limitations in the ground-truth segmentation, for which our representations make predictions with better anatomical accuracy than its original training data. We also evaluate our motion-correction capabilities, displaying quantitative and qualitative improvements in slice alignment.
- Abstract（参考訳）: 心磁気共鳴(CMR)画像の臨床的取得は、放射方向と長手方向に沿って心臓の断面面を取得することを伴う。
これらの平面は心臓の2次元断面像であるにもかかわらず、放射線学者は臓器の3次元空間的・連続的な時間的性質を理解している。
面内および格子ベースの操作に依存するCMR画像を処理するために使用される従来のディープラーニングアーキテクチャについても同じことは言えず、それゆえ、すべてのイメージングプレーンからの情報を有機的に統合することができない。
本稿では,CMR領域における心機能モデリングにおける非適応的課題を克服するために,神経暗黙的セグメンテーション機能(NISF)に関する以前の研究を基礎にしている。
与えられた主題に対して、我々のアーキテクチャは、向きに関係なく、利用可能なすべての取得プレーンから共有された3D以上の時間表現を構築します。
画像平面の向きに沿った予測は、同じ3次元表現の断面であり、全てのスライスに時空間的一貫性をもたらす。
さらに, 画像面の回転・翻訳パラメータを学習可能とし, 厳密な仮定の下で, スライス取得間の呼吸・患者動作の共通点を補正する。
さらに、任意の解像度で4次元において強度とセグメンテーションの補間を行うことができる。
我々は,英国・ビオバンクのCMR画像データの120件のサブコホートについて検討を行った。
我々の面内セグメンテーション性能は既存のCMRセグメンテーション法と同等であり、我々の表現が元のトレーニングデータよりも解剖学的精度で予測する地平線セグメンテーションの限界から、障害ケースの大多数がどのように生じるのかを探索する。
また,スライスアライメントの定量的,定性的改善を示すとともに,動作補正機能の評価を行った。
関連論文リスト
- Axial-Centric Cross-Plane Attention for 3D Medical Image Classification [0.14868610461685575]
臨床医は一般的に、単一の表現としてではなく、複数の解剖学的平面を用いて3次元の医像を解釈する。
本稿では,3次元医用画像分類のための軸中心面アテンションアーキテクチャを提案する。
MedDINOv3は大規模X線CT画像の自己教師型学習によって事前訓練された医用視覚基盤モデルである。
論文 参考訳（メタデータ） (2026-02-25T07:00:24Z) - Dyna3DGR: 4D Cardiac Motion Tracking with Dynamic 3D Gaussian Representation [23.163504377816043]
本研究では,明示的な3次元ガウス表現と暗黙的な神経運動場モデリングを組み合わせた新しいフレームワークである動的3次元ガウス表現(Dyna3DGR)を提案する。
本手法は心構造と運動を同時に自己監督的に最適化し,広範囲なトレーニングデータやポイント・ツー・ポイント対応の必要性を解消する。
論文 参考訳（メタデータ） (2025-07-22T14:06:50Z) - MedTet: An Online Motion Model for 4D Heart Reconstruction [59.74234226055964]
本研究は, 術後の軽度データから3次元心臓運動を再構築するための新しいアプローチを提案する。
既存の方法では、フル3次元の体積像から3次元の臓器のジオメトリーを正確に再構築することができる。
このような部分的データから3次元運動を再構築するための汎用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-03T17:18:33Z) - Whole Heart 3D+T Representation Learning Through Sparse 2D Cardiac MR Images [13.686473040836113]
本研究では,心臓スタック全体にわたる空間的パッチと時間的パッチの相関関係を自動的に解明する,完全自己教師型学習フレームワークを提案する。
我々は、UK BioBankから14,000のラベルなしCMRデータをトレーニングし、1000の注釈付きデータで評価する。
論文 参考訳（メタデータ） (2024-06-01T07:08:45Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Perspective Projection-Based 3D CT Reconstruction from Biplanar X-rays [32.98966469644061]
我々は,X線を用いた新しいCT再構成フレームワークPerX2CTを提案する。
提案手法は,各座標に対して異なる特徴の組み合わせを提供し,モデルが3次元位置に関する情報を暗黙的に取得できるようにする。
論文 参考訳（メタデータ） (2023-03-09T14:45:25Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - DeepRecon: Joint 2D Cardiac Segmentation and 3D Volume Reconstruction
via A Structure-Specific Generative Method [12.26150675728958]
本稿では,複数の臨床的に不可欠な結果を生成する,エンドツーエンドの潜在空間ベースのフレームワークであるDeepReconを提案する。
本手法は,心構造に対する正確な意味情報を含むシネ画像の最適潜時表現を同定する。
特に,本モデルでは,正確な意味情報と心構造のセグメンテーションを併用して合成画像を生成する。
論文 参考訳（メタデータ） (2022-06-14T20:46:11Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳（メタデータ） (2021-10-14T23:05:47Z)
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。