論文の概要: A Convolutional Approach to Vertebrae Detection and Labelling in Whole
Spine MRI
- arxiv url: http://arxiv.org/abs/2007.02606v3
- Date: Mon, 13 Jul 2020 13:10:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-13 03:03:53.119807
- Title: A Convolutional Approach to Vertebrae Detection and Labelling in Whole
Spine MRI
- Title（参考訳）: 全脳MRIにおけるめまい検出とラベリングへの畳み込みアプローチ
- Authors: Rhydian Windsor, Amir Jamaludin, Timor Kadir, Andrew Zisserman
- Abstract要約: 脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。
これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。
本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
- 参考スコア（独自算出の注目度）: 70.04389979779195
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We propose a novel convolutional method for the detection and identification
of vertebrae in whole spine MRIs. This involves using a learnt vector field to
group detected vertebrae corners together into individual vertebral bodies and
convolutional image-to-image translation followed by beam search to label
vertebral levels in a self-consistent manner. The method can be applied without
modification to lumbar, cervical and thoracic-only scans across a range of
different MR sequences. The resulting system achieves 98.1% detection rate and
96.5% identification rate on a challenging clinical dataset of whole spine
scans and matches or exceeds the performance of previous systems on lumbar-only
scans. Finally, we demonstrate the clinical applicability of this method, using
it for automated scoliosis detection in both lumbar and whole spine MR scans.
- Abstract（参考訳）: 脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。
これは学習ベクトル場を用いて、検出された脊椎の角を個々の脊椎体にまとめ、畳み込み画像と画像の変換を行い、その後、自己一貫性のある方法で脊椎レベルのラベル付けを行う。
この方法は、さまざまなmr配列にわたる腰椎、頚椎、胸椎のみのスキャンに修正を加えることなく適用することができる。
その結果、全脊椎スキャンの難治な臨床データセット上で98.1%の検出率と96.5%の同定率を達成し、腰椎のみスキャンでの以前のシステムの性能と一致または上回る結果が得られる。
最後に, 腰椎mrスキャンと脊椎mrスキャンの両方において, スクリオシスの自動検出に本法を応用し, 臨床応用の可能性を示す。
関連論文リスト
- SpineFM: Leveraging Foundation Models for Automatic Spine X-ray Segmentation [0.0]
本稿では,脊椎の自動分割と同定における最先端性能を実現する新しいパイプラインであるSpineFMを紹介する。
椎骨の97.8%と99.6%の同定に成功した2つの公開X線データセットにおいて、優れた結果を得た。
論文 参考訳（メタデータ） (2024-11-01T02:51:21Z) - Panoptic Segmentation and Labelling of Lumbar Spine Vertebrae using Modified Attention Unet [2.8730926763860687]
腰椎の3次元スライスMRIデータのパノプティカルセグメンテーションのための改良型注意U-Netアーキテクチャを提案する。
本手法は,新しいマスキングロジックを取り入れた99.5%の精度を実現する。
論文 参考訳（メタデータ） (2024-04-28T19:35:00Z) - Context-Aware Transformers For Spinal Cancer Detection and Radiological
Grading [70.04389979779195]
本稿では,脊椎分析に関わる医療画像問題に対するトランスフォーマーを用いた新しいモデルアーキテクチャを提案する。
MR画像におけるそのようなモデルの2つの応用について考察する: (a)脊椎転移の検出と脊椎骨折の関連状況と転移性脊髄圧迫。
画像中の脊椎のコンテキストを考慮することで,SCTは以前に公表したモデルと比較して,いくつかのグレーディングの精度を向上することを示す。
論文 参考訳（メタデータ） (2022-06-27T10:31:03Z) - SpineNetV2: Automated Detection, Labelling and Radiological Grading Of
Clinical MR Scans [70.04389979779195]
SpineNetV2は、臨床脊髄磁気共鳴(MR)スキャンで脊椎を検知し、ラベル付けする自動化ツールである。
また、T2強調スキャンで腰椎椎間板のX線学的グレーディングを行い、様々な一般的な変性変化を観察する。
論文 参考訳（メタデータ） (2022-05-03T15:05:58Z) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - Stacked Hourglass Network with a Multi-level Attention Mechanism: Where
to Look for Intervertebral Disc Labeling [2.3848738964230023]
椎間板の位置と骨格構造を協調的に学習する多レベルアテンション機構を有する重畳時間ガラスネットワークを提案する。
提案した深層学習モデルは意味的セグメンテーションの強さとポーズ推定手法を考慮し,欠落した領域と偽陽性検出を扱う。
論文 参考訳（メタデータ） (2021-08-14T14:53:27Z) - Bipartite Distance for Shape-Aware Landmark Detection in Spinal X-Ray
Images [17.8260780895433]
スコリオーシス(英: Scoliosis)は、脊椎の外側の曲がりを引き起こす先天性疾患である。
脊椎のランドマークの自動検出と局所化によって信頼性を向上させることができる。
両部距離(BPD)測定値に基づく新たな損失を提案し,ランドマーク検出性能を継続的に向上させることを示す。
論文 参考訳（メタデータ） (2020-05-28T22:34:24Z) - Analysis of Scoliosis From Spinal X-Ray Images [17.8260780895433]
脊柱管の計測には脊椎のラベル付けと識別が必要である。
スコリオーシス(英: Scoliosis)は、脊椎が正常な形状から変形する先天性疾患である。
そこで本研究では,脊柱管狭窄計測に伴う脊椎の完全自動的,信頼性の高いセグメンテーションを提供するエンドツーエンドセグメンテーションモデルを提案する。
論文 参考訳（メタデータ） (2020-04-15T05:36:28Z) - Force-Ultrasound Fusion: Bringing Spine Robotic-US to the Next "Level" [46.13840565802387]
ロボットアームは、脊椎のレベルを特定するためにフォース超音波データを用いて、ボランティアの背中を自動的にスキャンする。
椎体レベルの発生は、患者背中にロボットが作用する力を適切に制御することにより、ピークとして力トレース上に見え、増強される。
融合法は、テストセット内の脊椎レベルの100%を正しく分類することができ、純粋な画像と純粋な力に基づく方法は、それぞれ80%と90%の脊椎のみを分類することができた。
論文 参考訳（メタデータ） (2020-02-26T10:49:53Z) - Vertebra-Focused Landmark Detection for Scoliosis Assessment [54.24477530836629]
脊椎に焦点をあてた新しいランドマーク検出法を提案する。
我々のモデルはまず椎骨中心を局在させ、そこから学習されたコーナーオフセットを通して椎骨の4つの角のランドマークを辿る。
その結果,低コントラストおよび無明度X線画像におけるコブ角測定とランドマーク検出の両面での有用性が示された。
論文 参考訳（メタデータ） (2020-01-09T19:17:41Z)
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。