論文の概要: End-To-End Convolutional Neural Network for 3D Reconstruction of Knee
Bones From Bi-Planar X-Ray Images
- arxiv url: http://arxiv.org/abs/2004.00871v2
- Date: Wed, 12 Aug 2020 17:20:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 13:15:33.833988
- Title: End-To-End Convolutional Neural Network for 3D Reconstruction of Knee
Bones From Bi-Planar X-Ray Images
- Title(参考訳): 両プラナーX線画像からの膝骨の3次元再構成のための終端畳み込みニューラルネットワーク
- Authors: Yoni Kasten, Daniel Doktofsky and Ilya Kovler
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.645111950779666
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an end-to-end Convolutional Neural Network (CNN) approach for 3D
reconstruction of knee bones directly from two bi-planar X-ray images.
Clinically, capturing the 3D models of the bones is crucial for surgical
planning, implant fitting, and postoperative evaluation. X-ray imaging
significantly reduces the exposure of patients to ionizing radiation compared
to Computer Tomography (CT) imaging, and is much more common and inexpensive
compared to Magnetic Resonance Imaging (MRI) scanners. However, retrieving 3D
models from such 2D scans is extremely challenging. In contrast to the common
approach of statistically modeling the shape of each bone, our deep network
learns the distribution of the bones' shapes directly from the training images.
We train our model with both supervised and unsupervised losses using Digitally
Reconstructed Radiograph (DRR) images generated from CT scans. To apply our
model to X-Ray data, we use style transfer to transform between X-Ray and DRR
modalities. As a result, at test time, without further optimization, our
solution directly outputs a 3D reconstruction from a pair of bi-planar X-ray
images, while preserving geometric constraints. Our results indicate that our
deep learning model is very efficient, generalizes well and produces high
quality reconstructions.
- Abstract(参考訳): 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。
臨床的には, 骨の3dモデル撮影は手術計画, インプラント装着, 術後評価に不可欠である。
X線イメージングは、コンピュータ断層撮影(CT)と比較して、電離放射線に対する患者の露出を著しく減少させ、磁気共鳴イメージング(MRI)スキャナーよりもずっと一般的で安価である。
しかし、このような2Dスキャンから3Dモデルを取得することは極めて困難である。
各骨の形状を統計的にモデル化する一般的なアプローチとは対照的に、深層ネットワークはトレーニング画像から直接骨の形状の分布を学習する。
我々は,CTスキャンから生成されたDigitally Reconstructed Radiograph (DRR)画像を用いて,教師なしと教師なしの両方の損失でモデルを訓練する。
X線データにモデルを適用するために,X線とDRRのモダリティの変換にスタイル転送を用いる。
その結果, 実験時には, さらなる最適化を行わず, 幾何的な制約を保ちながら, 双平面x線画像から直接3次元再構成を行う。
以上の結果から,深層学習モデルは非常に効率的であり,汎用性が高く,高品質な再構築が期待できることがわかった。
関連論文リスト
- Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [92.69532644965663]
我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。
実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
論文 参考訳(メタデータ) (2024-03-07T00:12:08Z) - SdCT-GAN: Reconstructing CT from Biplanar X-Rays with Self-driven
Generative Adversarial Networks [6.624839896733912]
本稿では,3次元CT画像の再構成のための自己駆動型生成対向ネットワークモデル(SdCT-GAN)を提案する。
識別器に新しいオートエンコーダ構造を導入することにより、画像の詳細により多くの注意を払っている。
LPIPS評価基準は,既存画像よりも微細な輪郭やテクスチャを定量的に評価できる。
論文 参考訳(メタデータ) (2023-09-10T08:16:02Z) - NeRF-GAN Distillation for Efficient 3D-Aware Generation with
Convolutions [97.27105725738016]
GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。
提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
論文 参考訳(メタデータ) (2023-03-22T18:59:48Z) - Oral-3Dv2: 3D Oral Reconstruction from Panoramic X-Ray Imaging with
Implicit Neural Representation [3.8215162658168524]
Oral-3Dv2は、単一のパノラマX線画像から3Dラジオロジーを再構成する非逆学習モデルである。
本モデルは,2次元座標を3次元空間内のボクセルの密度値にマッピングすることにより,暗黙的に3次元口腔構造を表現することを学習する。
我々の知る限りでは、これは1枚のパノラマX線画像から3Dラジオグラフィ再構成における非逆学習モデルの最初の作品である。
論文 参考訳(メタデータ) (2023-03-21T18:17:27Z) - Improving 3D Imaging with Pre-Trained Perpendicular 2D Diffusion Models [52.529394863331326]
本稿では,2つの垂直2次元拡散モデルを用いて3次元逆問題の解法を提案する。
MRI Z軸超解像, 圧縮センシングMRI, スパースCTなどの3次元医用画像再構成作業に有効である。
論文 参考訳(メタデータ) (2023-03-15T08:28:06Z) - Perspective Projection-Based 3D CT Reconstruction from Biplanar X-rays [32.98966469644061]
我々は,X線を用いた新しいCT再構成フレームワークPerX2CTを提案する。
提案手法は,各座標に対して異なる特徴の組み合わせを提供し,モデルが3次元位置に関する情報を暗黙的に取得できるようにする。
論文 参考訳(メタデータ) (2023-03-09T14:45:25Z) - MedNeRF: Medical Neural Radiance Fields for Reconstructing 3D-aware
CT-Projections from a Single X-ray [14.10611608681131]
過剰な電離放射線は、体に決定論的かつ有害な影響をもたらす可能性がある。
本稿では,CTプロジェクションの再構成を学習する深層学習モデルを提案する。
論文 参考訳(メタデータ) (2022-02-02T13:25:23Z) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳(メタデータ) (2021-10-14T23:05:47Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z) - 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) - Inferring the 3D Standing Spine Posture from 2D Radiographs [5.114998342130747]
このような生体力学的分析には、自然重み付け下での立位姿勢(立位)が不可欠である。
本稿では,脊椎に作用する新しいニューラルネットワークアーキテクチャであるemphTransVertを提案する。
論文 参考訳(メタデータ) (2020-07-13T18:37:00Z)
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。