論文の概要: A Baseline Approach for AutoImplant: the MICCAI 2020 Cranial Implant Design Challenge

• arxiv url: http://arxiv.org/abs/2006.12449v2
• Date: Wed, 24 Jun 2020 11:22:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 05:55:52.064637
• Title: A Baseline Approach for AutoImplant: the MICCAI 2020 Cranial Implant Design Challenge
• Title（参考訳）: MICCAI 2020 頭蓋内インプラント設計チャレンジ
• Authors: Jianning Li, Antonio Pepe, Christina Gsaxner, Gord von Campe, Jan Egger
• Abstract要約: 本稿では,脳インプラント設計の課題に対して,容積形状学習タスクとして定式化できるベースラインアプローチを提案する。 このアプローチは2つのステップで高品質なインプラントを生成する。 提案手法は平均ダイス類似度スコア(DSC)が0.8555、ハウスドルフ距離(HD)が5.1825mmである。
• 参考スコア（独自算出の注目度）: 0.6158425788462673
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we present a baseline approach for AutoImplant (https://autoimplant.grand-challenge.org/) - the cranial implant design challenge, which, as suggested by the organizers, can be formulated as a volumetric shape learning task. In this task, the defective skull, the complete skull and the cranial implant are represented as binary voxel grids. To accomplish this task, the implant can be either reconstructed directly from the defective skull or obtained by taking the difference between a defective skull and a complete skull. In the latter case, a complete skull has to be reconstructed given a defective skull, which defines a volumetric shape completion problem. Our baseline approach for this task is based on the former formulation, i.e., a deep neural network is trained to predict the implants directly from the defective skulls. The approach generates high-quality implants in two steps: First, an encoder-decoder network learns a coarse representation of the implant from down-sampled, defective skulls; The coarse implant is only used to generate the bounding box of the defected region in the original high-resolution skull. Second, another encoder-decoder network is trained to generate a fine implant from the bounded area. On the test set, the proposed approach achieves an average dice similarity score (DSC) of 0.8555 and Hausdorff distance (HD) of 5.1825 mm. The code is publicly available at https://github.com/Jianningli/autoimplant.
• Abstract（参考訳）: 本研究では, 組織者が提案するように, 体積形状学習タスクとして定式化できる頭蓋インプラント設計課題であるautoimplant (https://autoimplant.grand-challenge.org/) のベースラインアプローチを提案する。 この課題では、欠損頭蓋骨、完全頭蓋骨、頭蓋インプラントは2つのボクセルグリッドとして表現される。 この作業を達成するために、インプラントは欠損頭蓋骨から直接再建するか、欠損頭蓋骨と完全頭蓋骨との差を取ることで得られる。 後者の場合、完全な頭蓋骨は欠陥のある頭蓋骨によって再構築されなければならず、これは体積形状の完了問題を定義する。 このタスクのベースラインアプローチは、以前の定式化に基づいており、例えば、深層ニューラルネットワークは、欠陥頭蓋骨から直接インプラントを予測するために訓練されている。 まず、エンコーダ・デコーダネットワークは、ダウンサンプリングされた欠陥頭蓋骨からインプラントの粗い表現を学習し、粗いインプラントは、元の高解像度頭蓋骨の欠陥領域の境界ボックスを生成するためにのみ使用される。 次に、別のエンコーダデコーダネットワークをトレーニングし、境界領域から微細なインプラントを生成する。 テストセットでは,提案手法により平均サイス類似度スコアが0.8555,ハウスドルフ距離が5.1825mmとなる。 コードはhttps://github.com/Jianningli/autoimplant.comで公開されている。

関連論文リスト

• A Semi-automatic Cranial Implant Design Tool Based on Rigid ICP Template Alignment and Voxel Space Reconstruction [2.0793077626669327]
  頭蓋形成術は 頭蓋移植を用いた神経頭蓋修復術だ 近年の進歩にもかかわらず、患者固有のインプラント(PSI)の設計は、頭蓋形成術において最も複雑で、高価で、かつ、最も自動化されていないタスクである。 半自動インプラント生成に適したグラフィカルユーザインタフェース(UI)を備えたプロトタイプアプリケーションを作成した。 提案したインプラント生成プロセスの概略は、関心領域を設定し、テンプレートを整列させ、その後、ボクセル空間にインプラントを作成することである。
  論文  参考訳（メタデータ） (2024-03-19T08:24:05Z)
• Synthetic Skull CT Generation with Generative Adversarial Networks to Train Deep Learning Models for Clinical Transcranial Ultrasound [0.0]
  そこで我々は,合成頭蓋骨CTスライスの大きなデータセットを作成するために,合成対向ネットワーク(SkullGAN)を提案する。 主な障害は、訓練のために十分な頭蓋骨CTスライスがないことである。 SkullGANは、研究者が大量の合成頭蓋骨のCTセグメントを生成することを可能にする。
  論文  参考訳（メタデータ） (2023-08-01T00:05:02Z)
• Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and Landmark Localization on 3D Intraoral Scans [56.55092443401416]
  TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。 PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
  論文  参考訳（メタデータ） (2021-09-24T13:00:26Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• FocusNetv2: Imbalanced Large and Small Organ Segmentation with Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
  organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。 本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。 従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
  論文  参考訳（メタデータ） (2021-04-05T04:45:31Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Pose-dependent weights and Domain Randomization for fully automatic X-ray to CT Registration [51.280096834264256]
  完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。 この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。 ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
  論文  参考訳（メタデータ） (2020-11-14T12:50:32Z)
• Cranial Implant Design via Virtual Craniectomy with Shape Priors [18.561060643117013]
  我々は,CT画像からの頭蓋内インプラント再建のための代替のディープラーニングモデルを提案し,評価する。 モデルは、AutoImplant Challengeによってリリースされたデータベースを使用してトレーニングされ、評価される。
  論文  参考訳（メタデータ） (2020-09-29T00:35:44Z)
• Cranial Implant Prediction using Low-Resolution 3D Shape Completion and High-Resolution 2D Refinement [3.7939799826234375]
  2つの畳み込みからなる完全畳み込みネットワークを提案する。 最初のサブネットワークは、ダウンサンプリングされた欠陥頭蓋骨の形状を完成させるために設計されている。 第2のサブネットワークは、再構成された形状をスライス的に増幅する。 我々は3Dネットワークと2Dネットワークをエンドツーエンドで、階層的損失関数で訓練する。
  論文  参考訳（メタデータ） (2020-09-22T19:16:16Z)
• An Online Platform for Automatic Skull Defect Restoration and Cranial Implant Design [0.5551220224568872]
  システムは頭蓋骨の欠損部を自動的に復元し、所望のインプラントを生成する。 生成されたインプラントはSTereoLithography (.stl)形式で、システムのブラウザインターフェースから直接ダウンロードすることができる。 そして、インプラントモデルを3Dプリンタに送信して、ロコインプラントの製造を行う。
  論文  参考訳（メタデータ） (2020-06-01T14:41:33Z)
• Simultaneous Skull Conductivity and Focal Source Imaging from EEG Recordings with the help of Bayesian Uncertainty Modelling [77.34726150561087]
  本研究では,未知の頭蓋骨伝導率によるソース画像誤差を補正するベイズ近似誤差法に基づく統計的手法を提案する。 その結果, 震源位置推定精度と頭蓋骨伝導率の推定精度が向上していることが示唆された。
  論文  参考訳（メタデータ） (2020-01-31T21:33:56Z)

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。