論文の概要: FetusMap: Fetal Pose Estimation in 3D Ultrasound

• arxiv url: http://arxiv.org/abs/1910.04935v2
• Date: Sun, 3 Mar 2024 12:08:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 04:37:25.939886
• Title: FetusMap: Fetal Pose Estimation in 3D Ultrasound
• Title（参考訳）: 3次元超音波による胎児のポーズ推定
• Authors: Xin Yang, Wenlong Shi, Haoran Dou, Jikuan Qian, Yi Wang, Wufeng Xue, Shengli Li, Dong Ni, Pheng-Ann Heng
• Abstract要約: そこで本研究では, 胎児の3次元姿勢を推定し, その定量的解析を容易にすることを提案する。 これは文学における胎児の3次元ポーズ推定に関する最初の研究である。 本稿では、深層ネットワークを微調整し、視覚的に妥当なポーズ予測を形成するための自己教師付き学習(SSL)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 42.59502360552173
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The 3D ultrasound (US) entrance inspires a multitude of automated prenatal examinations. However, studies about the structuralized description of the whole fetus in 3D US are still rare. In this paper, we propose to estimate the 3D pose of fetus in US volumes to facilitate its quantitative analyses in global and local scales. Given the great challenges in 3D US, including the high volume dimension, poor image quality, symmetric ambiguity in anatomical structures and large variations of fetal pose, our contribution is three-fold. (i) This is the first work about 3D pose estimation of fetus in the literature. We aim to extract the skeleton of whole fetus and assign different segments/joints with correct torso/limb labels. (ii) We propose a self-supervised learning (SSL) framework to finetune the deep network to form visually plausible pose predictions. Specifically, we leverage the landmark-based registration to effectively encode case-adaptive anatomical priors and generate evolving label proxy for supervision. (iii) To enable our 3D network perceive better contextual cues with higher resolution input under limited computing resource, we further adopt the gradient check-pointing (GCP) strategy to save GPU memory and improve the prediction. Extensively validated on a large 3D US dataset, our method tackles varying fetal poses and achieves promising results. 3D pose estimation of fetus has potentials in serving as a map to provide navigation for many advanced studies.
• Abstract（参考訳）: 3D超音波(US)の入り口は、多数の自動出生前検査を刺激する。 しかし、3D USにおける胎児全体の構造的記述に関する研究は稀である。 本稿では,米国における胎児の3次元ポーズを推定し,世界規模および地域規模での定量的分析を容易にすることを提案する。 高次元、低画質、解剖学的構造における対称な曖昧さ、胎児のポーズのバリエーションなど、3d usの大きな課題を考えると、私たちの貢献は3倍です。 (i)文献における胎児の3次元姿勢推定に関する最初の研究である。 胎児全体の骨格を抽出し、異なるセグメント/ジョイントを正しいtorso/limbラベルで割り当てることを目的としている。 (II)深層ネットワークを微調整して視覚的に妥当なポーズ予測を行うための自己教師型学習(SSL)フレームワークを提案する。 具体的には、ランドマークベースの登録を利用して、ケース適応型解剖学的前処理を効果的にエンコードし、監視のための進化するラベルプロキシを生成する。 (iii) 限られた計算資源で高い解像度の入力を持つコンテクストキューを認識できるように,gpuメモリを節約し,予測を改善するために,グラデーション・チェックポイント(gcp)戦略も採用した。 大規模な3d usデータセット上で広く検証されたこの方法は,胎児のさまざまなポーズに取り組み,有望な結果を得る。 胎児の3次元ポーズ推定は、多くの先進的な研究のためにナビゲーションを提供する地図として機能する可能性がある。

関連論文リスト

• Geometric Transformation Uncertainty for Improving 3D Fetal Brain Pose Prediction from Freehand 2D Ultrasound Videos [0.8579241568505183]
  2次元胎児脳画像における3次元面の自動位置決めのための不確実性を考慮した深層学習モデルを提案する。 提案手法であるQAERTSは、現状や不確実性に基づくアプローチよりも優れたポーズ推定精度を示す。
  論文  参考訳（メタデータ） (2024-05-21T22:42:08Z)
• FetusMapV2: Enhanced Fetal Pose Estimation in 3D Ultrasound [28.408626329596668]
  以上の課題を克服するために,新しい3次元ポーズ推定フレームワーク(FetusMapV2)を提案する。 まず,ネットワーク構造に制約がなく,アクティベーションに制約のないGPUメモリ管理手法を提案する。 第2に、対称構造と類似の解剖構造による混乱を軽減するために、新しいペアロスを設計する。 第3に、比較的安定したランドマークを選択して、オンラインのポーズを洗練させることにより、自己指導型形状事前学習を提案する。
  論文  参考訳（メタデータ） (2023-10-30T06:18:47Z)
• FPUS23: An Ultrasound Fetus Phantom Dataset with Deep Neural Network Evaluations for Fetus Orientations, Fetal Planes, and Anatomical Features [10.404128105946583]
  胎児の生体計測値を推定するための適切な診断平面を同定するために,新しい胎児ファントム超音波データセットFPUS23を提案する。 データセット全体は15,728の画像で構成され、4つの異なるディープニューラルネットワークモデルをトレーニングするために使用される。 また、FPUS23データセットを用いてトレーニングしたモデルを評価し、これらのモデルによって得られた情報を実世界の超音波胎児データセットの精度を大幅に向上させることができることを示した。
  論文  参考訳（メタデータ） (2023-03-14T12:46:48Z)
• Ultrasound Plane Pose Regression: Assessing Generalized Pose Coordinates in the Fetal Brain [9.465965149145559]
  我々は,センサを付加することなく,3次元可視化,トレーニング,ガイダンスのための米国の航空機ローカライゼーションシステムを構築することを目指している。 この研究は、胎児の脳をスライスする米国飛行機の6次元(6次元)のポーズを予測する、これまでの研究に基づいています。 トレーニングおよびテストデータにおける登録品質の影響とその後のトレーニングモデルへの影響について検討する。
  論文  参考訳（メタデータ） (2023-01-19T21:16:36Z)
• Agent with Tangent-based Formulation and Anatomical Perception for Standard Plane Localization in 3D Ultrasound [56.7645826576439]
  3D USにおけるSP自動位置決めのための新しい強化学習フレームワークを提案する。 まず、RLにおける接点に基づく問題として、3D USにおけるSP局所化を定式化し、作用空間を再構成する。 第2に、平面探索における非SPとSPの交差する微妙な違いを認識するモデルの能力を高めるための補助的タスク学習戦略を設計する。
  論文  参考訳（メタデータ） (2022-07-01T14:53:27Z)
• 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)
• Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
  胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。 セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。 次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
  論文  参考訳（メタデータ） (2020-04-28T14:43:05Z)
• Exemplar Fine-Tuning for 3D Human Model Fitting Towards In-the-Wild 3D Human Pose Estimation [107.07047303858664]
  3次元の地平線アノテーションを持つ大規模な人的データセットは、野生では入手が困難である。 既存の2Dデータセットを高品質な3Dポーズマッチングで拡張することで、この問題に対処する。 結果として得られるアノテーションは、3Dのプロシージャネットワークをスクラッチからトレーニングするのに十分である。
  論文  参考訳（メタデータ） (2020-04-07T20:21:18Z)
• Region Proposal Network with Graph Prior and IoU-Balance Loss for Landmark Detection in 3D Ultrasound [16.523977092204813]
  3D超音波(US)は胎児の成長モニタリングのための詳細な出生前検査を容易にする。 3DUSボリュームを分析するためには、解剖学的ランドマークを正確に同定することが基本である。 我々は3次元顔USボリュームのランドマークを検出するためにオブジェクト検出フレームワークを利用する。
  論文  参考訳（メタデータ） (2020-04-01T03:00:03Z)
• Anatomy-aware 3D Human Pose Estimation with Bone-based Pose Decomposition [92.99291528676021]
  3次元関節位置を直接回帰するのではなく,骨方向予測と骨長予測に分解する。 私たちのモチベーションは、人間の骨格の骨の長さが時間とともに一定であることにあります。 我々の完全なモデルは、Human3.6MとMPI-INF-3DHPデータセットにおいて、以前の最高の結果よりも優れています。
  論文  参考訳（メタデータ） (2020-02-24T15:49:37Z)

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。