論文の概要: An improved 3D region detection network: automated detection of the 12th
thoracic vertebra in image guided radiation therapy
- arxiv url: http://arxiv.org/abs/2003.12163v1
- Date: Thu, 26 Mar 2020 21:41:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 22:07:30.672725
- Title: An improved 3D region detection network: automated detection of the 12th
thoracic vertebra in image guided radiation therapy
- Title（参考訳）: 改良型3D領域検出ネットワーク:画像誘導放射線治療における第12胸椎の自動検出
- Authors: Yunhe Xie and Gregory Sharp and David P. Gierga and Theodore S. Hong
and Thomas Bortfeld and Kongbin Kang
- Abstract要約: 本稿では,3次元体積データから解剖学的構造を検出するための新しい3次元完全畳み込みネットワーク(FCN)を提案する。
我々のアプローチは、画像誘導放射線治療の安全性を向上させるために、臨床ワークフローに統合される大きな可能性を秘めている。
- 参考スコア（独自算出の注目度）: 0.09786690381850356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Abstract. Image guidance has been widely used in radiation therapy. Correctly
identifying anatomical landmarks, like the 12th thoracic vertebra (T12), is the
key to success. Until recently, the detection of those landmarks still requires
tedious manual inspections and annotations; and superior-inferior misalignment
to the wrong vertebral body is still relatively common in image guided
radiation therapy. It is necessary to develop an automated approach to detect
those landmarks from images. There are three major challenges to identify T12
vertebra automatically: 1) subtle difference in the structures with high
similarity, 2) limited annotated training data, and 3) high memory usage of 3D
networks.
Abstract. In this study, we propose a novel 3D full convolutional network
(FCN) that is trained to detect anatomical structures from 3D volumetric data,
requiring only a small amount of training data. Comparing with existing
approaches, the network architecture, target generation and loss functions were
significantly improved to address the challenges specific to medical images. In
our experiments, the proposed network, which was trained from a small amount of
annotated images, demonstrated the capability of accurately detecting
structures with high similarity. Furthermore, the trained network showed the
capability of cross-modality learning. This is meaningful in the situation
where image annotations in one modality are easier to obtain than others. The
cross-modality learning ability also indicated that the learned features were
robust to noise in different image modalities. In summary, our approach has a
great potential to be integrated into the clinical workflow to improve the
safety of image guided radiation therapy.
- Abstract（参考訳）: 抽象。
画像指導は放射線治療で広く使われている。
第12胸椎(t12)のように解剖学的ランドマークを正確に同定することが成功の鍵である。
最近まで、これらのランドマークの検出には、退屈な手作業による検査と注釈が必要である。
画像からこれらのランドマークを検出する自動アプローチを開発する必要がある。
t12椎骨の自動識別には3つの大きな課題があります
1)類似度が高い構造物の微妙な差異
2 限定注釈訓練データ、及び
3) 3dネットワークの高メモリ使用。
抽象。
本研究では,3次元ボリュームデータから解剖学的構造を検出するために,少量のトレーニングデータのみを必要とする新しい3次元完全畳み込みネットワーク(FCN)を提案する。
既存のアプローチと比較すると、医療画像特有の課題に対処するため、ネットワークアーキテクチャ、ターゲット生成、損失関数が大幅に改善された。
本実験では,少量のアノテート画像からトレーニングしたネットワークを用いて,高い類似性を有する構造を正確に検出できることを実証した。
さらに,訓練されたネットワークは相互モダリティ学習の能力を示した。
これは、あるモダリティにおける画像アノテーションが他のモダリティよりも簡単に取得できる状況において意味がある。
クロスモーダル学習能力は、学習した特徴が異なる画像モダリティのノイズに対して頑健であることを示す。
まとめると,本手法は画像誘導放射線治療の安全性を高めるために臨床ワークフローに統合される可能性が大きい。
関連論文リスト
- Abnormality-Driven Representation Learning for Radiology Imaging [0.8321462983924758]
病変強調型コントラスト学習(LeCL)は,CTスキャンの異なる部位にわたる2次元軸方向スライスにおける異常により引き起こされる視覚的表現を得るための新しい手法である。
本研究は, 腫瘍病変位置, 肺疾患検出, 患者ステージングの3つの臨床的課題に対するアプローチを, 最先端の4つの基礎モデルと比較した。
論文 参考訳（メタデータ） (2024-11-25T13:53:26Z) - Autoregressive Sequence Modeling for 3D Medical Image Representation [48.706230961589924]
本稿では, 自己回帰シーケンス事前学習フレームワークを用いて, 3次元医用画像表現を学習するための先駆的手法を提案する。
我々は,空間的,コントラスト的,意味的相関に基づく様々な3次元医用画像にアプローチし,トークンシーケンス内の相互接続された視覚トークンとして扱う。
論文 参考訳（メタデータ） (2024-09-13T10:19:10Z) - 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) - Joint Embedding of 2D and 3D Networks for Medical Image Anomaly
Detection [0.8122270502556374]
本研究では, 接合による3次元ネットワークの強度と2次元ネットワークの強度を組み合わせる手法を開発した。
提案手法は分類タスクと分割タスクの両方において,SoTA法と比較して優れた性能を示す。
論文 参考訳（メタデータ） (2022-12-21T11:28:52Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - 3D unsupervised anomaly detection and localization through virtual
multi-view projection and reconstruction: Clinical validation on low-dose
chest computed tomography [2.2302915692528367]
仮想多視点投影と再構成と呼ばれるコンピュータ支援診断のためのディープニューラルネットワークに基づく手法を提案する。
本手法は, 教師あり学習に基づくゴールド標準と比較して, 患者レベルの異常検出を10%改善する。
異常領域を93%の精度でローカライズし、高い性能を示す。
論文 参考訳（メタデータ） (2022-06-18T13:22:00Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound
Reconstruction [61.62191904755521]
3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。
既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。
複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
論文 参考訳（メタデータ） (2021-07-31T16:06:50Z) - Imbalance-Aware Self-Supervised Learning for 3D Radiomic Representations [5.750111443935516]
3d siameseネットワークを用いて,自己教師あり方式で画像表現の学習方法を示す。
MRIおよびCT撮影法を用いた脳腫瘍分類と肺癌のステージング作業において有意な改善がみられた。
論文 参考訳（メタデータ） (2021-03-06T18:17:03Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - Volumetric landmark detection with a multi-scale shift equivariant
neural network [16.114319747246334]
本稿では,3次元画像における高速かつメモリ効率の高いランドマーク検出を実現するマルチスケールのエンドツーエンドディープラーニング手法を提案する。
今回我々は,263個のCT上における頸動脈分岐検出法について検討し,平均ユークリッド距離2.81mmで最先端の精度を実現した。
論文 参考訳（メタデータ） (2020-03-03T17:06:19Z)
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。