論文の概要: A Deep learning Approach to Generate Contrast-Enhanced Computerised
Tomography Angiography without the Use of Intravenous Contrast Agents
- arxiv url: http://arxiv.org/abs/2003.01223v1
- Date: Mon, 2 Mar 2020 22:20:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 05:59:01.718818
- Title: A Deep learning Approach to Generate Contrast-Enhanced Computerised
Tomography Angiography without the Use of Intravenous Contrast Agents
- Title（参考訳）: 造影剤を使わずに造影ctアンギオグラフィーを生成できる深層学習法
- Authors: Anirudh Chandrashekar, Ashok Handa, Natesh Shivakumar, Pierfrancesco
Lapolla, Vicente Grau, Regent Lee
- Abstract要約: 我々は,この非コントラスト変換タスク(NC2C)に対して,2次元サイクル生成適応ネットワークを訓練した。
このパイプラインは、非コントラストCT画像において、視覚的に非コヒーレントな軟組織領域を区別することができる。
- 参考スコア（独自算出の注目度）: 2.2840399926157806
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contrast-enhanced computed tomography angiograms (CTAs) are widely used in
cardiovascular imaging to obtain a non-invasive view of arterial structures.
However, contrast agents are associated with complications at the injection
site as well as renal toxicity leading to contrast-induced nephropathy (CIN)
and renal failure. We hypothesised that the raw data acquired from a
non-contrast CT contains sufficient information to differentiate blood and
other soft tissue components. We utilised deep learning methods to define the
subtleties between soft tissue components in order to simulate contrast
enhanced CTAs without contrast agents. Twenty-six patients with paired
non-contrast and CTA images were randomly selected from an approved clinical
study. Non-contrast axial slices within the AAA from 10 patients (n = 100) were
sampled for the underlying Hounsfield unit (HU) distribution at the lumen,
intra-luminal thrombus and interface locations. Sampling of HUs in these
regions revealed significant differences between all regions (p<0.001 for all
comparisons), confirming the intrinsic differences in the radiomic signatures
between these regions. To generate a large training dataset, paired axial
slices from the training set (n=13) were augmented to produce a total of 23,551
2-D images. We trained a 2-D Cycle Generative Adversarial Network (cycleGAN)
for this non-contrast to contrast (NC2C) transformation task. The accuracy of
the cycleGAN output was assessed by comparison to the contrast image. This
pipeline is able to differentiate between visually incoherent soft tissue
regions in non-contrast CT images. The CTAs generated from the non-contrast
images bear strong resemblance to the ground truth. Here we describe a novel
application of Generative Adversarial Network for CT image processing. This is
poised to disrupt clinical pathways requiring contrast enhanced CT imaging.
- Abstract（参考訳）: 造影CT (Contrast-enhanced Computed Tomography angiograms, CTAs) は心血管造影で血管構造の非侵襲的観察に広く用いられている。
しかし、コントラスト剤は、注射部位の合併症と、コントラスト誘発性腎症(CIN)や腎不全につながる腎毒性と関連している。
非コントラストctから得られた生データは血液や他の軟組織成分を識別するのに十分な情報を含むと仮定した。
深層学習法を用いて軟組織成分間の微妙さを定義し, 造影剤を使わずに造影CTAをシミュレートした。
非コントラスト像とcta像を併用した26例を臨床研究からランダムに選択した。
10例 (n = 100) のaaa内の非コントラスト軸方向スライスをルーメン, 光内血栓, 界面位置におけるhounsfield unit (hu) 分布から採取した。
これらの領域におけるHUのサンプリングでは,すべての領域間で有意な差異(p<0.001)がみられ,これらの領域間での放射線学的シグネチャの内在的差異が確認された。
大きなトレーニングデータセットを生成するために、トレーニングセット(n=13)から一対の軸スライスを追加して、合計23,551枚の2d画像を生成する。
この非コントラストコントラスト(nc2c)変換タスクのために,2次元サイクル生成逆ネットワーク(cyclegan)を訓練した。
コントラスト画像との比較により, サイクルガン出力の精度を評価した。
このパイプラインは、非コントラストCT画像において、視覚的に非コヒーレントな軟組織領域を区別することができる。
非コントラスト画像から生成されたCTAは、地上の真実と強く類似している。
本稿では,CT画像処理におけるジェネレーティブ・アドバイサル・ネットワークの新たな応用について述べる。
これは造影CT画像を必要とする臨床経路を妨害する可能性がある。
関連論文リスト
- Gadolinium dose reduction for brain MRI using conditional deep learning [66.99830668082234]
これらの手法の主な課題は、コントラスト強調の正確な予測と現実的な画像の合成である。
コントラスト前の画像対とコントラスト後の画像対のサブトラクション画像に符号化されたコントラスト信号を利用することで、両課題に対処する。
各種スキャナー,フィールド強度,コントラストエージェントを用いた合成および実データに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2024-03-06T08:35:29Z) - Anatomically constrained CT image translation for heterogeneous blood
vessel segmentation [3.88838725116957]
造影CT(ceCT)画像の解剖学的構造は, 造影剤拡散の変動により, 分画が困難になる可能性がある。
放射線線量を制限するために、生成モデルは1つのモダリティを合成するために用いられる。
CycleGANは、ペアデータの必要性を軽減するため、特に注目を集めている。
本稿では,高忠実度画像を生成するためのCycleGANの拡張について述べる。
論文 参考訳（メタデータ） (2022-10-04T16:14:49Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Image translation of Ultrasound to Pseudo Anatomical Display Using
Artificial Intelligence [0.0]
CycleGANは、各ドメインプロパティを個別に学習し、クロスドメインサイクルの一貫性を強制するために使用された。
生成された擬似解剖画像は、より明確な境界定義と明瞭なコントラストで、病変の視覚的識別を改善する。
論文 参考訳（メタデータ） (2022-02-16T13:31:49Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳（メタデータ） (2021-11-16T15:03:42Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳（メタデータ） (2021-10-12T23:25:03Z) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-10-11T07:13:26Z) - Bone Segmentation in Contrast Enhanced Whole-Body Computed Tomography [2.752817022620644]
本稿では,低線量造影による全身CTスキャンから骨骨髄領域を分離する新しい前処理技術を用いたU-netアーキテクチャについて概説する。
骨とコントラスト染料の差別化には, 適切な前処理が重要であること, 限られたデータで優れた結果が得られることを実証した。
論文 参考訳（メタデータ） (2020-08-12T10:48:38Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳（メタデータ） (2020-05-08T03:16:15Z) - A Deep Learning Approach to Automate High-Resolution Blood Vessel
Reconstruction on Computerized Tomography Images With or Without the Use of
Contrast Agent [2.1897279580410896]
拡張性大動脈瘤嚢内の大動脈壁に付着した血栓または血栓が70～80%の症例に認められる。
我々は,病的血管の高スループットパイプラインを構築するため,注意を喚起する改良されたU-Netアーキテクチャを実装した。
この抽出ボリュームは、現在の動脈瘤疾患管理の方法の標準化に使用することができ、その後の複雑な幾何学的および形態学的解析の基礎を定めている。
論文 参考訳（メタデータ） (2020-02-09T22:32:37Z)
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。