論文の概要: Needle tip force estimation by deep learning from raw spectral OCT data
- arxiv url: http://arxiv.org/abs/2006.16675v1
- Date: Tue, 30 Jun 2020 10:49:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 06:04:57.027240
- Title: Needle tip force estimation by deep learning from raw spectral OCT data
- Title(参考訳): 生スペクトルoctデータを用いた深層学習による針先力推定
- Authors: M. Gromniak and N. Gessert and T. Saathoff and A. Schlaefer
- Abstract要約: 針の配置は、生検やブラキセラピーのような応用には難しい問題である。
光ファイバーセンサーは針先に直接組み込むことができる。
光コヒーレンストモグラフィーの校正法について検討した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose. Needle placement is a challenging problem for applications such as
biopsy or brachytherapy. Tip force sensing can provide valuable feedback for
needle navigation inside the tissue. For this purpose, fiber-optical sensors
can be directly integrated into the needle tip. Optical coherence tomography
(OCT) can be used to image tissue. Here, we study how to calibrate OCT to sense
forces, e.g. during robotic needle placement.
Methods. We investigate whether using raw spectral OCT data without a typical
image reconstruction can improve a deep learning-based calibration between
optical signal and forces. For this purpose, we consider three different
needles with a new, more robust design which are calibrated using convolutional
neural networks (CNNs). We compare training the CNNs with the raw OCT signal
and the reconstructed depth profiles.
Results. We find that using raw data as an input for the largest CNN model
outperforms the use of reconstructed data with a mean absolute error of 5.81 mN
compared to 8.04 mN.
Conclusions. We find that deep learning with raw spectral OCT data can
improve learning for the task of force estimation. Our needle design and
calibration approach constitute a very accurate fiber-optical sensor for
measuring forces at the needle tip.
- Abstract(参考訳): 目的
針の配置は生検やブラキセラピーなどの応用において難しい問題である。
先端力センシングは、組織内の針のナビゲーションに有用なフィードバックを提供する。
この目的のために、光ファイバーセンサーを針先端に直接組み込むことができる。
光コヒーレンス断層撮影(oct)は組織を撮影するために用いられる。
ここでは、ロボット針の配置など、OCTを校正して力を検出する方法について検討する。
メソッド。
画像再構成を行なわない生スペクトルCTデータを用いて,光信号と力の深い校正を向上できるかを検討する。
この目的のために、畳み込みニューラルネットワーク(CNN)を用いて調整された、より堅牢な新しい設計の針を3つ検討する。
我々は,CNNを生のOCT信号と再構成深度プロファイルと比較した。
結果だ
その結果,最大CNNモデルの入力として生データを用いることで,8.04mNに比べて平均絶対誤差5.81mNの再構成データの利用に優れることがわかった。
結論だ
生のスペクトルオクターデータを用いた深層学習は、力の推定タスクの学習を改善することができる。
我々の針設計と校正手法は、針先端の力を測定するための非常に正確な光ファイバセンサを構成する。
関連論文リスト
- Neurovascular Segmentation in sOCT with Deep Learning and Synthetic Training Data [4.5276169699857505]
本研究は, 連続断面光コヒーレンストモグラフィー画像における神経血管セグメンテーションのための合成エンジンについて述べる。
提案手法は,ラベル合成とラベル・ツー・イメージ変換の2段階からなる。
前者の有効性を,より現実的なトレーニングラベルの集合と比較し,後者を合成ノイズと人工物モデルのアブレーション研究により実証した。
論文 参考訳(メタデータ) (2024-07-01T16:09:07Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳(メタデータ) (2023-07-10T01:26:48Z) - 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) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳(メタデータ) (2023-04-26T14:11:04Z) - Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文 参考訳(メタデータ) (2022-11-24T02:55:20Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳(メタデータ) (2021-11-16T15:03:42Z) - A novel optical needle probe for deep learning-based tissue elasticity
characterization [59.698811329287174]
光コヒーレンスエラストグラフィー(OCE)プローブは針挿入のために提案されているが、今のところ必要な負荷感知能力は欠如している。
針先端での光コヒーレンストモグラフィ(OCT)イメージングと負荷検出を同時に行う新しいOCEニードルプローブを提案する。
論文 参考訳(メタデータ) (2021-09-20T08:29:29Z) - Deep Lesion Tracker: Monitoring Lesions in 4D Longitudinal Imaging
Studies [19.890200389017213]
深部病変追跡器(DLT)は、外観と解剖学的信号の両方を使用するディープラーニングアプローチです。
我々は,公開deeplesionデータベースから3891個の病巣対からなる最初の病巣追跡ベンチマークをリリースする。
dltは100の縦断研究の外部臨床検査セットをよく一般化し、88%の精度を達成する。
論文 参考訳(メタデータ) (2020-12-09T05:23:46Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Segmentation of Retinal Low-Cost Optical Coherence Tomography Images
using Deep Learning [2.571523045125397]
治療の必要性は、病原性OCTベースのバイオマーカーの存在または変化によって決定される。
現在の治療スキームのモニタリング頻度は、個別に患者に適応していないため、しばしば不十分である。
ホームモニタリングOCTシステムの重要な要件の1つは、病理学的変化を自動的に検出し定量化するコンピュータ支援診断である。
論文 参考訳(メタデータ) (2020-01-23T12:55:53Z) - Deep OCT Angiography Image Generation for Motion Artifact Suppression [8.442020709975015]
感染したスキャンは、強い(白)領域や欠落した(黒)領域として現れ、情報が失われる。
OCTからOCTAへの画像変換の深部生成モデルは、単一の無傷OCTスキャンに依存している。
U-Netは、OCTパッチから血管造影情報を抽出するように訓練される。
推定時に、検出アルゴリズムは、その環境に基づいて外部のOCTAスキャンを見つけ、それをトレーニングされたネットワークに置き換える。
論文 参考訳(メタデータ) (2020-01-08T13:31:51Z)
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。