論文の概要: Estimating and abstracting the 3D structure of bones using neural
networks on X-ray (2D) images
- arxiv url: http://arxiv.org/abs/2001.11499v1
- Date: Thu, 16 Jan 2020 20:41:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 23:37:46.599208
- Title: Estimating and abstracting the 3D structure of bones using neural
networks on X-ray (2D) images
- Title(参考訳): X線画像上のニューラルネットワークによる骨の3次元構造の推定と抽象化
- Authors: Jana \v{C}avojsk\'a (1), Julian Petrasch (1), Nicolas J. Lehmann (1),
Agn\`es Voisard (1), Peter B\"ottcher (2) ((1) Freie Universit\"at Berlin,
Institute of Computer Science, 14195 Berlin, Germany, (2) Freie Universit\"at
Berlin, Clinic for Small Animals, 14163 Berlin, Germany)
- Abstract要約: 骨の3次元構造を2次元X線画像から推定する深層学習法を提案する。
我々の予測では, 平均根平均平方(RMS)距離が1.08mmであり, 他の8つの3次元骨再建法により得られた平均誤差よりも精度が高い。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present a deep-learning based method for estimating the 3D
structure of a bone from a pair of 2D X-ray images. Our triplet loss-trained
neural network selects the most closely matching 3D bone shape from a
predefined set of shapes. Our predictions have an average root mean square
(RMS) distance of 1.08 mm between the predicted and true shapes, making it more
accurate than the average error achieved by eight other examined 3D bone
reconstruction approaches. The prediction process that we use is fully
automated and unlike many competing approaches, it does not rely on any
previous knowledge about bone geometry. Additionally, our neural network can
determine the identity of a bone based only on its X-ray image. It computes a
low-dimensional representation ("embedding") of each 2D X-ray image and
henceforth compares different X-ray images based only on their embeddings. An
embedding holds enough information to uniquely identify the bone CT belonging
to the input X-ray image with a 100% accuracy and can therefore serve as a kind
of fingerprint for that bone. Possible applications include faster, image
content-based bone database searches for forensic purposes.
- Abstract(参考訳): 本稿では,骨の3次元構造を2次元X線画像から推定する深層学習手法を提案する。
三重項損失学習ニューラルネットワークは、予め定義された形状から最も近い3d骨形状を選択する。
我々の予測では, 平均根平均平方(RMS)距離が1.08mmであり, 他の8つの3次元骨再建法により得られた平均誤差よりも精度が高い。
私たちが使用している予測プロセスは完全に自動化されており、多くの競合するアプローチとは異なり、骨幾何学に関する以前の知識に依存しない。
さらに、我々のニューラルネットワークは、X線画像のみに基づいて骨の同一性を決定することができる。
それぞれの2次元X線画像の低次元表現(埋め込み)を計算し、その埋め込みのみに基づいて異なるX線画像を比較する。
埋め込みは、入力されたX線画像に属する骨CTを100%精度で識別するのに十分な情報を持ち、そのため、その骨の指紋の一種として機能する。
可能性のあるアプリケーションは、より高速な画像コンテンツベースの骨データベース検索である。
関連論文リスト
- RayEmb: Arbitrary Landmark Detection in X-Ray Images Using Ray Embedding Subspace [0.7937206070844555]
術前CTによるX線画像の術中2D-3D記録は整形外科手術において極めて重要である。
本稿では,X線画像中の任意のランドマーク点を検出することで,この問題に対処する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-10-10T17:36:21Z) - Improving 3D Pose Estimation for Sign Language [38.20064386142944]
この研究は、単一の画像における3次元人間のポーズ復元に対処する。
本稿では,フォワード・キネマティクス(FK)とニューラルネットワークを組み合わせた3次元ポーズの高速かつ有効な予測手法を提案する。
論文 参考訳(メタデータ) (2023-08-18T13:05:10Z) - 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) - Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。
従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。
これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。
本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - How many radiographs are needed to re-train a deep learning system for
object detection? [0.0]
手根骨の近位列,手根骨の遠位列,副手根骨,第1手根骨,現在,中手根骨(中手根II,III,IV)の位置を呈し,手根側斜め(DMPLO)投射に左右手根背75の396個のX線像を注視した。
96個のX線写真またはそれ以上の精度で訓練されたモデルでは、最初の手根骨を含む0.95以上の精度、リコール、およびmAPが32エポックで訓練された。
最高のモデルでは、他の骨と比較して最初の手根骨を検出するために、エポックの2倍のエポックを必要とした。
論文 参考訳(メタデータ) (2022-10-17T04:02:30Z) - Detailed Avatar Recovery from Single Image [50.82102098057822]
本稿では,単一画像からエンフデテールアバターを回収するための新しい枠組みを提案する。
階層的メッシュ変形フレームワークでは、ディープニューラルネットワークを使用して3次元形状を洗練しています。
本手法は,皮膚モデルを超えて,完全なテクスチャで詳細な人体形状を復元することができる。
論文 参考訳(メタデータ) (2021-08-06T03:51:26Z) - XraySyn: Realistic View Synthesis From a Single Radiograph Through CT
Priors [118.27130593216096]
放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。
私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。
本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
論文 参考訳(メタデータ) (2020-12-04T05:08:53Z) - Pose-dependent weights and Domain Randomization for fully automatic
X-ray to CT Registration [51.280096834264256]
完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。
この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。
ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
論文 参考訳(メタデータ) (2020-11-14T12:50:32Z) - 3D Probabilistic Segmentation and Volumetry from 2D projection images [10.32519161805588]
X線撮影は迅速で安価で、最前線のケアアセスメントや術中リアルタイムイメージングに有用である。
プロジェクティブな情報損失に悩まされており、多くの診断バイオマーカーがベースとなっている重要な情報を欠いている。
本稿では,2次元画像モダリティから3次元容積像を再構成する確率的手法について検討する。
論文 参考訳(メタデータ) (2020-06-23T08:00:51Z) - End-To-End Convolutional Neural Network for 3D Reconstruction of Knee
Bones From Bi-Planar X-Ray Images [6.645111950779666]
両平面X線画像から直接膝骨を3次元再構成するためのエンドツーエンド畳み込みニューラルネットワーク(CNN)を提案する。
論文 参考訳(メタデータ) (2020-04-02T08:37:11Z) - 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。