論文の概要: A Spatiotemporal Volumetric Interpolation Network for 4D Dynamic Medical Image

• arxiv url: http://arxiv.org/abs/2002.12680v2
• Date: Sat, 25 Apr 2020 02:18:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 02:39:43.261509
• Title: A Spatiotemporal Volumetric Interpolation Network for 4D Dynamic Medical Image
• Title（参考訳）: 4次元ダイナミック医療画像のための時空間体積補間ネットワーク
• Authors: Yuyu Guo, Lei Bi, Euijoon Ahn, Dagan Feng, Qian Wang and Jinman Kim
• Abstract要約: 本研究では,4次元ダイナミック・メディカル・イメージのためのボリューム・モーション・ネットワーク(VINS)を提案する。 実験の結果,SVINは最先端の時間的医療手法と自然ビデオ法に優れていた。
• 参考スコア（独自算出の注目度）: 18.670134909724723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic medical imaging is usually limited in application due to the large radiation doses and longer image scanning and reconstruction times. Existing methods attempt to reduce the dynamic sequence by interpolating the volumes between the acquired image volumes. However, these methods are limited to either 2D images and/or are unable to support large variations in the motion between the image volume sequences. In this paper, we present a spatiotemporal volumetric interpolation network (SVIN) designed for 4D dynamic medical images. SVIN introduces dual networks: first is the spatiotemporal motion network that leverages the 3D convolutional neural network (CNN) for unsupervised parametric volumetric registration to derive spatiotemporal motion field from two-image volumes; the second is the sequential volumetric interpolation network, which uses the derived motion field to interpolate image volumes, together with a new regression-based module to characterize the periodic motion cycles in functional organ structures. We also introduce an adaptive multi-scale architecture to capture the volumetric large anatomy motions. Experimental results demonstrated that our SVIN outperformed state-of-the-art temporal medical interpolation methods and natural video interpolation methods that have been extended to support volumetric images. Our ablation study further exemplified that our motion network was able to better represent the large functional motion compared with the state-of-the-art unsupervised medical registration methods.
• Abstract（参考訳）: ダイナミック・メディカル・イメージングは通常、大きな放射線量と長い画像走査時間と再構成時間のため、用途で制限される。 既存の方法では、取得した画像ボリューム間のボリュームを補間することにより、動的シーケンスの削減を試みる。 しかし、これらの手法は2次元画像に制限されているか、あるいは画像ボリュームシーケンス間の動きの大きなバリエーションをサポートできない。 本稿では,4次元ダイナミック医療画像のための時空間体積補間ネットワーク(SVIN)を提案する。 1つは3d畳み込みニューラルネットワーク(cnn)を利用して2画像ボリュームから時空間運動場を導出する時空間間補間ネットワーク、もう1つは導出運動場を用いて画像ボリュームを補間するシーケンシャルボリューム的補間ネットワーク、および機能器官構造における周期的運動周期を特徴付ける新しい回帰ベースモジュールである。 また,体積の大きな解剖学的動きを捉えるための適応型マルチスケールアーキテクチャも導入する。 実験の結果,svinは容積画像をサポートするために拡張された時空間医療補間法や自然映像補間法よりも優れていた。 我々のアブレーション研究は、我々の運動ネットワークが最先端の教師なし医療登録法と比較して大きな機能的運動を表現できたことをさらに実証した。

関連論文リスト

• Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
  クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。 本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。 臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
  論文  参考訳（メタデータ） (2024-09-18T13:40:59Z)
• Deep Cardiac MRI Reconstruction with ADMM [7.694990352622926]
  心臓画像の分野では, 深層学習(DL)を用いたシネ・マルチコントラスト再建法を提案する。 提案手法は画像領域とk空間領域の両方を最適化し,高い再構成精度を実現する。
  論文  参考訳（メタデータ） (2023-10-10T13:46:11Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• 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)
• DDoS-UNet: Incorporating temporal information using Dynamic Dual-channel UNet for enhancing super-resolution of dynamic MRI [0.27998963147546135]
  磁気共鳴イメージング(MRI)は、有害な電離放射線を使わずに、高い空間分解能と優れた軟質コントラストを提供する。 時間分解能の高いMRIでは空間分解能が制限される。 このトレードオフを緩和するために、ディープラーニングに基づく超解像アプローチが提案されている。 本研究は,空間的関係と時間的関係の両方を学習しようとする深層学習モデルを作成することで,この問題に対処する。
  論文  参考訳（メタデータ） (2022-02-10T22:20:58Z)
• Dynamic imaging using Motion-Compensated SmooThness Regularization on Manifolds (MoCo-SToRM) [19.70386996879205]
  高分解能自由呼吸性肺MRIのための教師なし運動補償再建法を提案する。 時系列画像フレームを3Dテンプレート画像ボリュームの変形版としてモデル化する。 変形写像は高次元空間の滑らかな多様体上の点であると仮定する。
  論文  参考訳（メタデータ） (2021-12-06T22:04:57Z)
• Multi-Temporal Convolutions for Human Action Recognition in Videos [83.43682368129072]
  複数の解像度で抽出できる新しい時間・時間的畳み込みブロックを提案する。 提案するブロックは軽量で,任意の3D-CNNアーキテクチャに統合可能である。
  論文  参考訳（メタデータ） (2020-11-08T10:40:26Z)
• A deep learning pipeline for identification of motor units in musculoskeletal ultrasound [0.5249805590164902]
  超高速超音波を用いて個々のMUの機械的応答を記録・解析できることが示されている。 本稿では,超音波画像系列のアクティブMUを特定するための方法として,深層学習パイプラインを提案する。 複雑なアクティベーションパターンと重なり合う領域を模倣したシミュレーションデータを用いてモデルを評価する。
  論文  参考訳（メタデータ） (2020-09-23T20:44:29Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)
• 4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
  3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。 我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
  論文  参考訳（メタデータ） (2020-07-02T12:02:20Z)
• Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
  経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。 この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
  論文  参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。