論文の概要: Visualizing intestines for diagnostic assistance of ileus based on intestinal region segmentation from 3D CT images

• arxiv url: http://arxiv.org/abs/2003.01290v1
• Date: Tue, 3 Mar 2020 01:40:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 23:19:40.871466
• Title: Visualizing intestines for diagnostic assistance of ileus based on intestinal region segmentation from 3D CT images
• Title（参考訳）: 3次元CT画像からの腸管領域分割による回腸の診断支援のための大腸の可視化
• Authors: Hirohisa Oda, Kohei Nishio, Takayuki Kitasaka, Hizuru Amano, Aitaro Takimoto, Hiroo Uchida, Kojiro Suzuki, Hayato Itoh, Masahiro Oda, Kensaku Mori
• Abstract要約: 非専門医では狭窄部位の発見が困難であるため,小腸とその狭窄部位を直感的に視覚化する必要がある。 3D FCN(3D U-Net)による腸管領域分割法の提案
• 参考スコア（独自算出の注目度）: 1.5033621444531586
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper presents a visualization method of intestine (the small and large intestines) regions and their stenosed parts caused by ileus from CT volumes. Since it is difficult for non-expert clinicians to find stenosed parts, the intestine and its stenosed parts should be visualized intuitively. Furthermore, the intestine regions of ileus cases are quite hard to be segmented. The proposed method segments intestine regions by 3D FCN (3D U-Net). Intestine regions are quite difficult to be segmented in ileus cases since the inside the intestine is filled with fluids. These fluids have similar intensities with intestinal wall on 3D CT volumes. We segment the intestine regions by using 3D U-Net trained by a weak annotation approach. Weak-annotation makes possible to train the 3D U-Net with small manually-traced label images of the intestine. This avoids us to prepare many annotation labels of the intestine that has long and winding shape. Each intestine segment is volume-rendered and colored based on the distance from its endpoint in volume rendering. Stenosed parts (disjoint points of an intestine segment) can be easily identified on such visualization. In the experiments, we showed that stenosed parts were intuitively visualized as endpoints of segmented regions, which are colored by red or blue.
• Abstract（参考訳）: 小腸(小腸および大腸)領域の可視化法として,CTボリュームによるイレウスによる狭窄部位の可視化を行った。 非専門医では狭窄部位の発見が困難であるため,小腸とその狭窄部位を直感的に視覚化する必要がある。 さらにイレウス症例の腸管領域は, 分節化が困難である。 提案法は腸管領域を3D FCN (3D U-Net) で分割する。 腸内は流体で満たされているため,腸領域は回腸で分節化することが極めて困難である。 これらの流体は3次元CTで腸壁と同様の強度を有する。 弱アノテーションで訓練した3D U-Netを用いて腸管領域を分節する。 弱アノテーションにより、3D U-Net を手動でラベル画像でトレーニングすることができる。 これにより、長い曲がりくねった形状の腸の注釈ラベルを多数準備することを避けることができる。 各腸管セグメントはボリュームレンダリングのエンドポイントからの距離に基づいてボリュームレンダリングされ、色付けされる。 このような可視化では、ステノシド部分(腸セグメントのディスジョイントポイント)を容易に識別できる。 実験の結果,ステンソス部は赤か青で彩色された分割領域の終端として直感的に可視化された。

関連論文リスト

• Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
  骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。 代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。 不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
  論文  参考訳（メタデータ） (2024-01-31T21:05:34Z)
• Estimating the coverage in 3d reconstructions of the colon from colonoscopy videos [0.0]
  手術中の大腸の視覚的被覆が不十分な場合、しばしばポリープが欠落する。 この問題を軽減するため, 欠損領域を可視化するために, 大腸の3次元面を再構築する手法が提案されている。 再建された大腸点雲からカバー範囲を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-10-19T10:53:34Z)
• Improved Abdominal Multi-Organ Segmentation via 3D Boundary-Constrained Deep Neural Networks [9.416108287575915]
  我々は3Dエンコーダ・デコーダネットワークを訓練し,腹部臓器とそれに対応する境界をCTスキャンで同時に分割する。 腹腔内多臓器分節の改善における相補的境界予測タスクの有用性について検討した。
  論文  参考訳（メタデータ） (2022-10-09T15:31:19Z)
• Comparison of 2D vs. 3D U-Net Organ Segmentation in abdominal 3D CT images [0.0]
  腹腔鏡下CT像の腹腔内5臓器における3次元分画の2段階的概念について述べる。 2D U-Netと3D U-Netの比較に重点を置いている。 例えば、肝臓と腎臓は、高速でGPUメモリの2D U-Netを使用して、大幅に改善された。
  論文  参考訳（メタデータ） (2021-07-08T18:35:15Z)
• Deep Transformers for Fast Small Intestine Grounding in Capsule Endoscope Video [42.84449937667722]
  そこで本研究では,カプセル内視鏡による小腸撮影範囲の深部モデルを提案する。 これは深層ニューラルネットワーク法を用いて小腸接地タスクを攻撃する最初の試みである。
  論文  参考訳（メタデータ） (2021-04-07T02:35:18Z)
• Non-Rigid Puzzles [50.213265511586535]
  非剛性多部形状マッチングアルゴリズムを提案する。 非剛性変形中の参照形状とその複数の部品が与えられると仮定する。 合成法と実走査法の実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-11-26T00:32:30Z)
• Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
  超音波を用いた新しいカテーテルセグメンテーション法を提案する。 提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
  論文  参考訳（メタデータ） (2020-10-19T13:56:22Z)
• Deep Negative Volume Segmentation [60.44793799306154]
  対象物を取り囲むすべての組織間で空の空間を分割する3Dセグメント化タスクに対する新しい角度を提案する。 我々のアプローチは骨分割のためのV-Netを含むエンドツーエンドパイプラインである。 顎顔面領域の専門医が注釈を付した50名の患者データセットにおけるCTスキャンの考え方を検証した。
  論文  参考訳（メタデータ） (2020-06-22T16:55:23Z)
• Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
  我々はCTにおける臓器局所化のための深層強化学習手法を提案する。 この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。 本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2020-05-11T10:06:13Z)
• MCMC Guided CNN Training and Segmentation for Pancreas Extraction [13.264181188509266]
  膵臓は、形状、大きさ、位置の解剖学的多様性が高い。 提案手法は,Markov Chain Monte Carlo (MCMC) サンプリング誘導畳み込みニューラルネットワーク (CNN) を用いた。 本法は, 腹部造影CT82巻を含むNIH膵データセットを用いて評価した。
  論文  参考訳（メタデータ） (2020-03-09T06:27:08Z)

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。