論文の概要: Prostate motion modelling using biomechanically-trained deep neural networks on unstructured nodes

• arxiv url: http://arxiv.org/abs/2007.04972v1
• Date: Thu, 9 Jul 2020 17:58:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 04:08:46.180191
• Title: Prostate motion modelling using biomechanically-trained deep neural networks on unstructured nodes
• Title（参考訳）: 生体力学的に学習したディープニューラルネットワークを用いた非構造ノードの前立腺運動モデリング
• Authors: Shaheer U. Saeed, Zeike A. Taylor, Mark A. Pinnock, Mark Emberton, Dean C. Barratt, Yipeng Hu
• Abstract要約: 生体力学シミュレーションを用いて深部ニューラルネットワークをトレーニングし,超音波ガイド下介入時の前立腺運動を予測する。 PointNetは、有限要素(FE)シミュレーションを接地トラストデータとして使用して、ノイズ変位を予測するために訓練することができる。 320名の患者の臨床像データに対する160,000個の非線形FEシミュレーションに基づいて, トレーニングされたネットワークが, ホールドアウト患者セグメンテーションから直接サンプリングされた非構造化点集合に一般化されることを実証した。
• 参考スコア（独自算出の注目度）: 0.28470372019928303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose to train deep neural networks with biomechanical simulations, to predict the prostate motion encountered during ultrasound-guided interventions. In this application, unstructured points are sampled from segmented pre-operative MR images to represent the anatomical regions of interest. The point sets are then assigned with point-specific material properties and displacement loads, forming the un-ordered input feature vectors. An adapted PointNet can be trained to predict the nodal displacements, using finite element (FE) simulations as ground-truth data. Furthermore, a versatile bootstrap aggregating mechanism is validated to accommodate the variable number of feature vectors due to different patient geometries, comprised of a training-time bootstrap sampling and a model averaging inference. This results in a fast and accurate approximation to the FE solutions without requiring subject-specific solid meshing. Based on 160,000 nonlinear FE simulations on clinical imaging data from 320 patients, we demonstrate that the trained networks generalise to unstructured point sets sampled directly from holdout patient segmentation, yielding a near real-time inference and an expected error of 0.017 mm in predicted nodal displacement.
• Abstract（参考訳）: 本稿では,バイオメカニカルシミュレーションを用いて深部ニューラルネットワークを訓練し,超音波ガイド下介入時の前立腺運動を予測することを提案する。 本応用では, 解剖学的領域を表すために, セグメント化術前MR画像から非構造点をサンプリングする。 点集合は点固有の材料特性と変位荷重に割り当てられ、非順序の入力特徴ベクトルを形成する。 適応されたPointNetは、有限要素(FE)シミュレーションを地平線データとして使用して、夜間変位を予測することができる。 さらに、トレーニング時ブートストラップサンプリングと平均推定モデルからなる、異なる患者ジオメトリによる特徴ベクトルの変動数に対応するために、多目的ブートストラップ集約機構を検証した。 これにより、被験者固有のソリッドメッシュを必要とせずに、FE溶液を高速かつ正確に近似することができる。 320名の患者の臨床像データに対する160,000個の非線形FEシミュレーションに基づいて, トレーニングされたネットワークは, ホールドアウト患者セグメンテーションから直接サンプリングされた非構造点集合に一般化し, 予測された結節変位においてほぼリアルタイムに推定され, 予測誤差は0.017mmであった。

関連論文リスト

• Compositional simulation-based inference for time series [21.9975782468709]
  シミュレータは、時間とともに何千もの単一状態遷移を通して現実世界のダイナミクスをエミュレートする。 本研究では,個々の状態遷移に整合したパラメータを局所的に同定することで,マルコフシミュレータを活用可能なSBIフレームワークを提案する。 次に、これらの局所的な結果を合成して、時系列の観測全体と一致した後続のオーバーパラメータを求める。
  論文  参考訳（メタデータ） (2024-11-05T01:55:07Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Non-rigid Medical Image Registration using Physics-informed Neural Networks [8.7196937169933]
  軟組織の生体力学的モデリングは、医用画像の登録を制限する非データ駆動方式を提供する。 この研究は、最近提案された物理インフォームドニューラルネットワーク(PINN)を、前立腺運動をモデル化するための3次元線形弾性モデルにインスタンス化する。
  論文  参考訳（メタデータ） (2023-02-20T22:17:29Z)
• Spherical convolutional neural networks can improve brain microstructure estimation from diffusion MRI data [0.35998666903987897]
  拡散磁気共鳴イメージングは脳組織の微細構造に敏感である。 測定された信号から臨床および科学的に関係する微細構造特性を推定することは、機械学習が解決するのに役立つ非常に難しい逆問題である。 我々は、効率的にシミュレートされた雑音データから地中構造パラメータ値を予測するために、球面畳み込みニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2022-11-17T20:52:00Z)
• Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
  微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。 勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
  論文  参考訳（メタデータ） (2022-07-12T16:08:04Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Graph Convolutional Neural Networks for Body Force Prediction [0.0]
  グラフベースのデータ駆動モデルを示し、非構造化メッシュ上で定義されたフィールドの推論を行う。 ネットワークは、異なる解像度のフィールドサンプルから推論することができ、各サンプルの測定結果が提示される順序に不変である。
  論文  参考訳（メタデータ） (2020-12-03T19:53:47Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。