論文の概要: SimCortex v2: Joint Cortical Surface Reconstruction with Near-Zero Collisions and Self-Intersections

• arxiv url: http://arxiv.org/abs/2610.07378v1
• Date: Mon, 05 Oct 2026 20:49:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.658539
• Title: SimCortex v2: Joint Cortical Surface Reconstruction with Near-Zero Collisions and Self-Intersections
• Title（参考訳）: SimCortex v2: 近ゼロ衝突と自己切断を併用した関節皮質表面再構成
• Abstract要約: 我々は,T1強調MRIによる左右のWMおよびピアル面の同時再構成のためのディープラーニングフレームワークであるSimCortex v2を提案する。 SimCortex v2は、体積分割から位相的に正しい初期曲面を推定し、リボン条件のU-Net様ネットワークによって予測される複数スケールの定常速度場を用いて4つ全てを共同で洗練する。 560例のSimCortex v2,14例のコホート,13例のトレーニング中に見えなかったもの,6～89歳,健常者,臨床者,および3ベンダのスキャナーについて検討した。
• 参考スコア（独自算出の注目度）: 0.34376560669160394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing cortical WM and pial surfaces from structural magnetic resonance imaging (MRI) is a prerequisite for surface-based neuroanatomical analysis, yet remains challenging because the cortex is thin and tightly folded. Reconstruction methods can produce geometric artifacts such as mesh self-intersections and collisions between cortical surfaces, and although recent deep learning methods have reduced reconstruction time from hours to minutes, these artifacts persist. We propose SimCortex v2, a deep learning framework for simultaneous reconstruction of the left and right WM and pial surfaces from T1-weighted MRI. SimCortex v2 estimates topologically correct initial surfaces from a volumetric segmentation and refines all four jointly using multi-scale stationary velocity fields predicted by a ribbon-conditioned, U-Net-like network. We evaluated SimCortex v2 on 560 cases from 14 cohorts, thirteen of them unseen during training, spanning ages 6-89, healthy and clinical populations, and scanners from three vendors. SimCortex v2 matched the surface-distance accuracy of the strongest baseline (average symmetric surface distance 0.253 mm) while showing no detected inter-surface collision in 92.14% of cases and the lowest self-intersection fraction (0.044%) among learning-based methods, whereas every baseline produced at least one collision in every case. Source code, configuration files, pretrained weights, preprocessed data, and the exact evaluation splits are publicly released.
• Abstract（参考訳）: 構造的磁気共鳴画像(MRI)による大脳皮質のWMとピアル面の再構成は、表面神経解剖学的解析の必須条件であるが、大脳皮質は薄く、強く折り畳まれているため、いまだに困難である。 レコンストラクション法は、メッシュの自己断面積や皮質表面の衝突などの幾何学的アーティファクトを生成できるが、最近のディープラーニング法は、再構成時間を数時間から数分に短縮しているが、これらのアーティファクトは持続している。 我々は,T1強調MRIによる左右のWMおよびピアル面の同時再構成のためのディープラーニングフレームワークであるSimCortex v2を提案する。 SimCortex v2は、体積分割から位相的に正しい初期曲面を推定し、リボン条件のU-Netのようなネットワークによって予測される複数スケールの定常速度場を用いて4つ全てを共同で洗練する。 560例のSimCortex v2,14例のコホート,13例のトレーニング中に見えなかったもの,6～89歳,健常者,臨床者,および3ベンダのスキャナーについて検討した。 SimCortex v2は、最強のベースライン(平均対称表面距離0.253 mm)の表面距離の精度と一致し、92.14%のケースでは表面衝突が検出されず、学習ベースの手法では最も低い自己断面積(0.044%)を示した。 ソースコード、設定ファイル、事前訓練された重み付け、事前処理されたデータ、正確な評価分割が公開されている。

関連論文リスト

• Anatomy-Aligned Surface Field Learning for Myocardial Reconstruction from Sparse Short-Axis Cine MRI [33.87149985182669]
  本稿では, 心内膜および心内膜の表面をパラメータ化する解剖学的に整合した表面学習フレームワークを提案する。 3つの公開シネMRIデータセットの実験により、提案手法はメッシュベースおよび暗黙の再構成手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-09-24T13:58:16Z)
• Reconstruction of 4D Mitral Regurgitation Hemodynamics from Sparse Planar Data using Deep Operator Networks with Test-Time Adaptation [41.99844472131922]
  スパース観測から過渡的3次元経静脈的血行動態を再構築できるかどうかを考察する。 Deep Operator Networkは、実験的にベンチマークされたURANSデータベースに事前トレーニングされている。
  論文  参考訳（メタデータ） (2026-08-31T20:51:38Z)
• TESTNAV: Pareto-Guided Search for Compositional Robustness Testing [42.86570387250456]
  TESTNAVは、ディープラーニングモデルのための双方向の堅牢性テストフレームワークである。 モダリティ比の指標によって測定された入力忠実度を保ちながら、性能劣化を最大化する。
  論文  参考訳（メタデータ） (2026-08-20T10:43:22Z)
• SimCortex: Collision-free Simultaneous Cortical Surfaces Reconstruction [0.30586855806896046]
  現在の手法では、複雑な皮質幾何学、厳密な位相的要件、重なり合い、自己断面積、位相的欠陥のある曲面をしばしば生成しなければならない。 我々は、T1強調(T1w)MRIボリュームからすべての脳表面を同時に再構築するディープラーニングフレームワークであるSimCortexを紹介する。 提案手法は表面衝突や自己断面積を著しく減らしたスムーズなトポロジー保存変換を実現する。
  論文  参考訳（メタデータ） (2025-07-09T15:38:38Z)
• 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)
• Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
  画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。 グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。 我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
  論文  参考訳（メタデータ） (2023-11-22T21:51:29Z)
• An error correction scheme for improved air-tissue boundary in real-time MRI video for speech production [44.73595024823637]
  本稿では, コントゥール1とコントゥール2を別々に比較して, エア・タブ境界(ATB)セグメンテーションの2つの新しい評価指標を提案する。 提案した検出および補正戦略により、この2つの評価指標は、contour1では61.8%、61.4%、contour2では67.8%、28.4%改善される。
  論文  参考訳（メタデータ） (2022-03-09T03:17:24Z)
• 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)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。