論文の概要: An End-to-end Deep Learning Approach for Landmark Detection and Matching
in Medical Images
- arxiv url: http://arxiv.org/abs/2001.07434v1
- Date: Tue, 21 Jan 2020 10:35:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-08 00:10:19.538482
- Title: An End-to-end Deep Learning Approach for Landmark Detection and Matching
in Medical Images
- Title（参考訳）: 医用画像におけるランドマーク検出とマッチングのためのエンドツーエンドディープラーニングアプローチ
- Authors: Monika Grewal, Timo M. Deist, Jan Wiersma, Peter A. N. Bosman, Tanja
Alderliesten
- Abstract要約: 2次元画像のペアにおけるランドマーク対応を自動的に検出するエンド・ツー・エンドのディープラーニング手法を提案する。
腹部CTで腹腔鏡下168例の2次元横切開術を施行した。
提案手法では,画像ペアあたりの平均639,466,370のランドマーク一致を,強度,アフィン,弾性変換に対して求める。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anatomical landmark correspondences in medical images can provide additional
guidance information for the alignment of two images, which, in turn, is
crucial for many medical applications. However, manual landmark annotation is
labor-intensive. Therefore, we propose an end-to-end deep learning approach to
automatically detect landmark correspondences in pairs of two-dimensional (2D)
images. Our approach consists of a Siamese neural network, which is trained to
identify salient locations in images as landmarks and predict matching
probabilities for landmark pairs from two different images. We trained our
approach on 2D transverse slices from 168 lower abdominal Computed Tomography
(CT) scans. We tested the approach on 22,206 pairs of 2D slices with varying
levels of intensity, affine, and elastic transformations. The proposed approach
finds an average of 639, 466, and 370 landmark matches per image pair for
intensity, affine, and elastic transformations, respectively, with spatial
matching errors of at most 1 mm. Further, more than 99% of the landmark pairs
are within a spatial matching error of 2 mm, 4 mm, and 8 mm for image pairs
with intensity, affine, and elastic transformations, respectively. To
investigate the utility of our developed approach in a clinical setting, we
also tested our approach on pairs of transverse slices selected from follow-up
CT scans of three patients. Visual inspection of the results revealed landmark
matches in both bony anatomical regions as well as in soft tissues lacking
prominent intensity gradients.
- Abstract（参考訳）: 医療画像における解剖学的ランドマーク対応は、2つの画像のアライメントのための追加のガイダンス情報を提供することができる。
しかし、手動のランドマークアノテーションは労働集約的です。
そこで本研究では,2次元画像のペアにおけるランドマーク対応を自動的に検出するエンド・ツー・エンドのディープラーニング手法を提案する。
我々のアプローチは、画像中の有意な位置をランドマークとして識別し、2つの異なる画像からランドマークペアのマッチング確率を予測するために訓練されたシームズニューラルネットワークで構成されている。
腹部CT168例の2次元横切片を用いてアプローチを訓練した。
実験では,22,206対の2次元スライスに対して,強度,アフィン,弾性変換のレベルが変化した。
提案手法では,画像ペアあたりの平均639,466,370のランドマーク一致が,それぞれ強度,アフィン,弾性変換であり,空間マッチング誤差は1mm以上である。
さらに、ランドマークペアの99%以上は、それぞれ強度、アフィン、弾性変換を伴う画像ペアに対して、2mm、4mm、8mmの空間マッチング誤差内にある。
また, 3症例の追跡ctスキャンから選択した一対の横スライスに対して, 臨床現場で開発したアプローチの有用性について検討した。
結果の視覚的検査では,骨の解剖学的領域と軟部組織の両方に著明な強度勾配を欠いたランドマークが一致した。
関連論文リスト
- DenseSeg: Joint Learning for Semantic Segmentation and Landmark Detection Using Dense Image-to-Shape Representation [1.342749532731493]
本稿では,ランドマークとセマンティックセグメンテーションの併用学習を可能にする画像と形状の濃密な表現を提案する。
本手法では,解剖学的対応の表現による任意のランドマークの抽出を直感的に行うことができる。
論文 参考訳（メタデータ） (2024-05-30T06:49:59Z) - UAE: Universal Anatomical Embedding on Multi-modality Medical Images [7.589247017940839]
汎用解剖学的埋め込み (UAE) を提案し, 外観, 意味, 異質な解剖学的埋め込みを学習する。
UAEには,(1)原型的コントラスト損失を伴うセマンティック埋め込み学習,(2)固定点型マッチング戦略,(3)モダリティ間埋め込み学習の反復的アプローチの3つの革新が含まれている。
以上の結果から,UAEは最先端の手法よりも優れており,ランドマークに基づく医用画像解析タスクに対して,堅牢で多目的なアプローチが可能であることが示唆された。
論文 参考訳（メタデータ） (2023-11-25T20:01:20Z) - Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。
本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。
本手法は,多視点グローバル情報を自然に学習することができる。
論文 参考訳（メタデータ） (2023-07-24T14:43:07Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Region-based Contrastive Pretraining for Medical Image Retrieval with
Anatomic Query [56.54255735943497]
医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR)
医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
論文 参考訳（メタデータ） (2023-05-09T16:46:33Z) - Acute ischemic stroke lesion segmentation in non-contrast CT images
using 3D convolutional neural networks [0.0]
非コントラストCT脳画像における急性虚血性脳梗塞の容積分画を目的とした自動アルゴリズムを提案する。
我々のディープラーニングアプローチは、人気のある3D U-Net畳み込みニューラルネットワークアーキテクチャに基づいている。
論文 参考訳（メタデータ） (2023-01-17T10:39:39Z) - Comparison of Depth Estimation Setups from Stereo Endoscopy and Optical
Tracking for Point Measurements [1.1084983279967584]
最小侵襲の僧帽弁修復を支援するため、赤外追跡スタイラスを用いて弁からの定量的測定を得ることができる。
両座標系を繋ぎ、点を画像面に投影する前提条件であるハンドアイキャリブレーションが必要である。
これに対する補完的なアプローチは、3D座標を得るために、視覚に基づく立体セットを用いて興味のある点を検出し、三角測量することである。
予備的な結果から、3Dランドマーク推定は、手動でラベル付けするか、あるいはディープラーニングによる部分的自動検出によって行われる。
論文 参考訳（メタデータ） (2022-01-26T10:15:46Z) - Self-Supervised Multi-Modal Alignment for Whole Body Medical Imaging [70.52819168140113]
我々は、英国バイオバンクの2万名以上の被験者のデータセットを使用し、全体Dixon法磁気共鳴法(MR)スキャンとデュアルエネルギーX線吸収率法(DXA)スキャンを併用した。
マルチモーダル画像マッチングコントラストフレームワークを導入し、同一対象の異なるモダリティスキャンを高精度にマッチングすることができる。
適応がなければ、この対照的なトレーニングステップで学習した対応が、自動クロスモーダルスキャン登録の実行に利用できることを示す。
論文 参考訳（メタデータ） (2021-07-14T12:35:05Z) - Dopamine Transporter SPECT Image Classification for Neurodegenerative
Parkinsonism via Diffusion Maps and Machine Learning Classifiers [0.0]
本研究では, SPECT イメージを通常の DaT-SPECT イメージ群と異常 DaT-SPECT イメージ群の2種類に分類する,自動的かつ堅牢な方法を提案する。
N患者の3D画像はN by Nペアワイズ距離行列にマッピングされ、トレーニングセットは拡散マップを使用して低次元空間に埋め込まれる。
この方法の実現可能性は、Parkinsonism Progression Markers Initiative(PPMI)データセット1097の被験者と630人の患者のKCGMH-TW(Kohsiung Chang Gung Memorial Hospital)からの臨床コホートによって実証される。
論文 参考訳（メタデータ） (2021-04-06T06:30:15Z) - Unsupervised Learning of Landmarks based on Inter-Intra Subject
Consistencies [72.67344725725961]
本稿では,物体間ランドマーク成分を顔画像に組み込むことにより,画像ランドマーク発見のための教師なし学習手法を提案する。
これは、補助的な主題関連構造に基づいて、元の主題のランドマークを変換するオブジェクト間マッピングモジュールによって達成される。
変換された画像から元の被写体に戻るために、ランドマーク検出器は、対のオブジェクト内画像と対のオブジェクト間画像の両方に一貫した意味を含む空間的位置を学習せざるを得ない。
論文 参考訳（メタデータ） (2020-04-16T20:38:16Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳（メタデータ） (2020-02-06T13:49:47Z)
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。