論文の概要: Self-Supervised Discovery of Anatomical Shape Landmarks
- arxiv url: http://arxiv.org/abs/2006.07525v1
- Date: Sat, 13 Jun 2020 00:56:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 20:51:28.877326
- Title: Self-Supervised Discovery of Anatomical Shape Landmarks
- Title（参考訳）: 解剖学的形状ランドマークの自己監督による発見
- Authors: Riddhish Bhalodia and Ladislav Kavan and Ross Whitaker
- Abstract要約: 画像中のランドマークを自動的に位置決めし、検出し、その後の分析に使用できる自己教師型ニューラルネットワークアプローチを提案する。
本稿では,一組の入力画像のみを取り込み,統計的形状解析に即時に利用できるランドマークを生成する,完全なフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 5.693003993674883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical shape analysis is a very useful tool in a wide range of medical
and biological applications. However, it typically relies on the ability to
produce a relatively small number of features that can capture the relevant
variability in a population. State-of-the-art methods for obtaining such
anatomical features rely on either extensive preprocessing or segmentation
and/or significant tuning and post-processing. These shortcomings limit the
widespread use of shape statistics. We propose that effective shape
representations should provide sufficient information to align/register images.
Using this assumption we propose a self-supervised, neural network approach for
automatically positioning and detecting landmarks in images that can be used
for subsequent analysis. The network discovers the landmarks corresponding to
anatomical shape features that promote good image registration in the context
of a particular class of transformations. In addition, we also propose a
regularization for the proposed network which allows for a uniform distribution
of these discovered landmarks. In this paper, we present a complete framework,
which only takes a set of input images and produces landmarks that are
immediately usable for statistical shape analysis. We evaluate the performance
on a phantom dataset as well as 2D and 3D images.
- Abstract（参考訳）: 統計形状解析は、幅広い医学的および生物学的応用において非常に有用なツールである。
しかし、典型的には、人口における関連する変動を捉えることができる比較的少数の特徴を生産する能力に依存している。
このような解剖学的特徴を得るための最先端の手法は、広範な前処理やセグメンテーション、および/または重要なチューニングと後処理に依存する。
これらの欠点は、形状統計の広範な使用を制限する。
画像のアライメント/登録に有効な形状表現は十分な情報を提供するべきである。
この仮定を用いて,後続解析に使用可能な画像中のランドマークの自動位置決めと検出のための自己教師付きニューラルネットワークアプローチを提案する。
ネットワークは、特定の種類の変換の文脈で良好な画像登録を促進する解剖学的形状の特徴に対応するランドマークを検出する。
また,提案するネットワークの正規化も提案し,これらのランドマークの均一な分布を可能にする。
本稿では,一組の入力画像のみを取り込み,統計的形状解析に即時に利用できるランドマークを生成する,完全なフレームワークを提案する。
ファントムデータセットおよび2dおよび3d画像における性能評価を行う。
関連論文リスト
- Correlation Weighted Prototype-based Self-Supervised One-Shot Segmentation of Medical Images [12.365801596593936]
医用画像セグメンテーションは、十分な注釈付きデータが入手できない領域の1つである。
スーパーピクセルから生成された擬似ラベルを用いた,プロトタイプベースのワンショット学習フレームワークを提案する。
提案手法は,最先端の手法と同等に機能することを示す。
論文 参考訳（メタデータ） (2024-08-12T15:38:51Z) - Language Guided Domain Generalized Medical Image Segmentation [68.93124785575739]
単一ソースドメインの一般化は、より信頼性が高く一貫性のあるイメージセグメンテーションを現実の臨床環境にわたって約束する。
本稿では,テキストエンコーダ機能によって案内されるコントラスト学習機構を組み込むことで,テキスト情報を明確に活用する手法を提案する。
文献における既存手法に対して,本手法は良好な性能を発揮する。
論文 参考訳（メタデータ） (2024-04-01T17:48:15Z) - MASSM: An End-to-End Deep Learning Framework for Multi-Anatomy Statistical Shape Modeling Directly From Images [1.9029890402585894]
複数の解剖を同時にローカライズし、人口レベルの統計表現を推定し、画像空間内での形状表現を直接記述する新しいエンドツーエンドディープラーニングフレームワークであるMASSMを紹介する。
以上の結果から,マルチタスクネットワークを介して画像空間の解剖を記述し,複数の解剖処理を行うMASSMは,医用画像処理タスクのセグメンテーションネットワークよりも優れた形状情報を提供することがわかった。
論文 参考訳（メタデータ） (2024-03-16T20:16:37Z) - Is in-domain data beneficial in transfer learning for landmarks
detection in x-ray images? [1.5348047288817481]
本研究では,大規模な自然画像データセットのみに事前学習したモデルに対して,小さな領域内X線画像データセットを使用することで,ランドマーク検出の精度が向上するかどうかを検討する。
我々の結果は、ドメイン内ソースデータセットを使用することで、ImageNetのドメイン外事前トレーニングに関して、限界があるか、まったく利益が得られないことを示している。
以上の結果から,大規模なアノテートデータセットが得られない場合の医用画像におけるロバストなランドマーク検出システムの開発が示唆された。
論文 参考訳（メタデータ） (2024-03-03T10:35:00Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-01T10:10:46Z) - Leveraging Unsupervised Image Registration for Discovery of Landmark
Shape Descriptor [5.40076482533193]
本稿では,画像からランドマークを発見するための自己教師型深層学習手法を提案する。
我々は、ランドマーク駆動のイメージ登録を主要なタスクとして使用し、ニューラルネットワークにイメージを適切に登録するランドマークを見つけるように強制する。
提案手法は分割と前処理を回避し、2D画像や3D画像のみを用いて使用可能な形状記述子を直接生成する。
論文 参考訳（メタデータ） (2021-11-13T01:02:10Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - Flexible Bayesian Modelling for Nonlinear Image Registration [0.3914676152740142]
本稿では,画像群を共通空間に正確に整列させることができる微分型登録アルゴリズムについて述べる。
その考え方は、形状と外観のばらつきを考慮に入れた確率的グラフィカルモデルで推論を行うことである。
モデルは3次元ヒト脳スキャンのオブジェクト間登録において評価される。
論文 参考訳（メタデータ） (2020-06-03T15:33:14Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。