論文の概要: Towards segmentation and spatial alignment of the human embryonic brain
using deep learning for atlas-based registration
- arxiv url: http://arxiv.org/abs/2005.06368v1
- Date: Wed, 13 May 2020 15:23:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-03 12:59:50.189430
- Title: Towards segmentation and spatial alignment of the human embryonic brain
using deep learning for atlas-based registration
- Title（参考訳）: アトラスを用いた深層学習によるヒト胚脳のセグメンテーションと空間的アライメント
- Authors: Wietske A.P. Bastiaansen, Melek Rousian, R\'egine P.M.
Steegers-Theunissen, Wiro J. Niessen, Anton Koning and Stefan Klein
- Abstract要約: 本研究では,アトラスをベースとした登録のための教師なし深層学習手法を提案し,単一の枠組みで胚性脳のセグメンテーションと空間的アライメントを実現する。
我々は、このネットワークをエンドツーエンドにトレーニングし、3D第1三期超音波の課題に類似した合成データセットに基づいて、基礎的な真実に対して検証した。
- 参考スコア（独自算出の注目度）: 3.8874909016794463
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose an unsupervised deep learning method for atlas based registration
to achieve segmentation and spatial alignment of the embryonic brain in a
single framework. Our approach consists of two sequential networks with a
specifically designed loss function to address the challenges in 3D first
trimester ultrasound. The first part learns the affine transformation and the
second part learns the voxelwise nonrigid deformation between the target image
and the atlas. We trained this network end-to-end and validated it against a
ground truth on synthetic datasets designed to resemble the challenges present
in 3D first trimester ultrasound. The method was tested on a dataset of human
embryonic ultrasound volumes acquired at 9 weeks gestational age, which showed
alignment of the brain in some cases and gave insight in open challenges for
the proposed method. We conclude that our method is a promising approach
towards fully automated spatial alignment and segmentation of embryonic brains
in 3D ultrasound.
- Abstract（参考訳）: 本研究では,アトラスをベースとした登録のための教師なし深層学習手法を提案し,単一の枠組みで胚性脳のセグメンテーションと空間的アライメントを実現する。
提案手法は3dファーストトライメスター超音波の課題に対処するために設計した損失関数を持つ2つのシーケンシャルネットワークからなる。
第1部はアフィン変換を学習し、第2部はターゲット画像とアトラスとの間のボクセル回りの非剛性変形を学習する。
このネットワークをエンドツーエンドでトレーニングし、3dファーストトリメスター超音波の課題に類似するように設計された合成データセットの基盤的真理に対して検証した。
この方法は生後9週間で得られたヒト胚超音波量のデータセットでテストされ、いくつかの症例で脳のアライメントを示し、提案法に対するオープンな挑戦に対する洞察を与えた。
本手法は、3次元超音波による胚脳の空間的アライメントとセグメンテーションの完全自動化への有望なアプローチである。
関連論文リスト
- A benchmark for 2D foetal brain ultrasound analysis [0.3742372933871118]
妊娠20週目に得られた104個の2D脳超音波画像について報告する。
この画像は、興味のある構造から脳の発達を分析することまで、目印となる点を強調するために注釈付けされている。
論文 参考訳（メタデータ） (2024-06-25T03:34:54Z) - FetusMapV2: Enhanced Fetal Pose Estimation in 3D Ultrasound [28.408626329596668]
以上の課題を克服するために,新しい3次元ポーズ推定フレームワーク(FetusMapV2)を提案する。
まず,ネットワーク構造に制約がなく,アクティベーションに制約のないGPUメモリ管理手法を提案する。
第2に、対称構造と類似の解剖構造による混乱を軽減するために、新しいペアロスを設計する。
第3に、比較的安定したランドマークを選択して、オンラインのポーズを洗練させることにより、自己指導型形状事前学習を提案する。
論文 参考訳（メタデータ） (2023-10-30T06:18:47Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。
ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。
我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
論文 参考訳（メタデータ） (2022-11-22T11:34:51Z) - CORPS: Cost-free Rigorous Pseudo-labeling based on Similarity-ranking
for Brain MRI Segmentation [3.1657395760137406]
本稿では,新しいアトラスを用いた擬似ラベル法と3次元脳MRI分割のための3次元深部畳み込みニューラルネットワーク(DCNN)に基づく半教師付きセグメンテーションフレームワークを提案する。
実験により, 定性的, 定量的に比較して, 提案手法の優位性を示した。
論文 参考訳（メタデータ） (2022-05-19T14:42:49Z) - Automatic 3D Ultrasound Segmentation of Uterus Using Deep Learning [4.2698418800007865]
3D超音波(US)で子宮を画像化することができるが、子宮境界の位置を見つけることは難しい課題である。
2つのシナリオに基づいてトレーニングされた2次元UNetネットワークを開発した。
論文 参考訳（メタデータ） (2021-09-20T03:13:57Z) - 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) - Medical Instrument Segmentation in 3D US by Hybrid Constrained
Semi-Supervised Learning [62.13520959168732]
3DUSにおける楽器セグメンテーションのための半教師付き学習フレームワークを提案する。
SSL学習を実現するため、Dual-UNetが提案されている。
提案手法は,Diceの約68.6%-69.1%,推定時間約1秒を実現している。
論文 参考訳（メタデータ） (2021-07-30T07:59:45Z) - Planar 3D Transfer Learning for End to End Unimodal MRI Unbalanced Data
Segmentation [0.0]
本稿では,事前学習した2次元畳み込みニューラルネットワーク重みを平面3次元カーネルにマッピングする手法を提案する。
提案手法は2次元VGG-16から転送されるエンコーダを備えた平面3Dres-u-netネットワークにより検証される。
論文 参考訳（メタデータ） (2020-11-23T17:11:50Z) - Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。
我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。
我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
論文 参考訳（メタデータ） (2020-08-16T13:38:41Z) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳（メタデータ） (2020-04-28T14:43:05Z)
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。