論文の概要: Cranial Implant Design via Virtual Craniectomy with Shape Priors
- arxiv url: http://arxiv.org/abs/2009.13704v1
- Date: Tue, 29 Sep 2020 00:35:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-13 06:56:04.210736
- Title: Cranial Implant Design via Virtual Craniectomy with Shape Priors
- Title（参考訳）: 仮想頭蓋切除術による頭蓋内インプラント設計
- Authors: Franco Matzkin, Virginia Newcombe, Ben Glocker, Enzo Ferrante
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.561060643117013
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Cranial implant design is a challenging task, whose accuracy is crucial in
the context of cranioplasty procedures. This task is usually performed manually
by experts using computer-assisted design software. In this work, we propose
and evaluate alternative automatic deep learning models for cranial implant
reconstruction from CT images. The models are trained and evaluated using the
database released by the AutoImplant challenge, and compared to a baseline
implemented by the organizers. We employ a simulated virtual craniectomy to
train our models using complete skulls, and compare two different approaches
trained with this procedure. The first one is a direct estimation method based
on the UNet architecture. The second method incorporates shape priors to
increase the robustness when dealing with out-of-distribution implant shapes.
Our direct estimation method outperforms the baselines provided by the
organizers, while the model with shape priors shows superior performance when
dealing with out-of-distribution cases. Overall, our methods show promising
results in the difficult task of cranial implant design.
- Abstract（参考訳）: 頭蓋インプラント設計は, 頭蓋形成術の文脈において, 精度が重要な課題である。
このタスクは通常、コンピュータ支援設計ソフトウェアを使用して専門家によって手動で実行される。
本研究では,CT画像からの頭蓋内インプラント再建のための新たな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がリリースしたデータベースを使用してトレーニングされ、評価され、オーガナイザが実装したベースラインと比較される。
完全な頭蓋骨を用いてモデルをトレーニングするために仮想頭蓋骨摘出術をシミュレートし,この方法で訓練した2つの異なるアプローチを比較した。
1つ目は、UNetアーキテクチャに基づく直接推定手法である。
第2の方法は、分布外インプラント形状を扱う際のロバスト性を高めるために、形状先行を組み込む。
提案手法は, 組織者が提供するベースラインを上回り, 形状先行モデルでは分布外事例の処理において優れた性能を示す。
本手法は頭蓋内インプラント設計の難しい課題に対して有望な結果を示した。
関連論文リスト
- Automatic Skull Reconstruction by Deep Learnable Symmetry Enforcement [0.12301374769426145]
何千人もの人々が頭蓋骨の損傷に苦しんでおり、頭蓋腔を埋めるためにパーソナライズされたインプラントを必要としている。
深層学習に基づく頭蓋再建はいくつかの課題に直面している。
本稿では,これらの課題に対して,学習可能な対称性の強制による再構築を強化することによる,新たなアプローチを提案する。
論文 参考訳（メタデータ） (2024-11-26T11:35:32Z) - RibCageImp: A Deep Learning Framework for 3D Ribcage Implant Generation [5.569968871299795]
損傷を受けたり切除されたリブケージ構造の回復には、胸腔の完全性と機能を取り戻すために、正確に設計されたカスタムデザインのインプラントが必要である。
従来のインプラント設計法は主に手動のプロセスに依存しており、時間がかかり、可変性に影響を受けやすい。
患者固有のインプラントデザインを生成するためにCTスキャンを処理する3D U-Netアーキテクチャに基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-14T06:03:54Z) - Enhanced Knee Kinematics: Leveraging Deep Learning and Morphing Algorithms for 3D Implant Modeling [2.752817022620644]
本研究では, 人工膝の正確な3次元再構築のための機械学習アルゴリズムとモーフィング技術を用いた新しいアプローチを提案する。
畳み込みニューラルネットワークは、インプラントされたコンポーネントの大腿骨輪郭を自動的に分割するように訓練される。
移植膝関節のパーソナライズされた3次元モデルを生成する。
論文 参考訳（メタデータ） (2024-08-02T20:11:04Z) - Safe Deep RL for Intraoperative Planning of Pedicle Screw Placement [61.28459114068828]
安全な深部強化学習(DRL)に基づく訓練経路計画にリアルタイムな観察を活用するロボット脊椎手術の術中計画手法を提案する。
本手法は,ゴールドスタンダード (GS) 掘削計画に関して,90%の骨貫通を達成できた。
論文 参考訳（メタデータ） (2023-05-09T11:42:53Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Back to the Roots: Reconstructing Large and Complex Cranial Defects
using an Image-based Statistical Shape Model [0.636460243469043]
頭蓋骨のセグメンテーションマスクに直接構築された統計的形状モデル(SSM)を示す。
頭蓋骨インプラント設計作業におけるSSMの評価を行った結果,手動による手技の補正のみで,大・複雑欠陥の再構築が可能であることが示唆された。
対照的に、CNNベースのアプローチは、大規模なデータ拡張であっても、これらのケースに対する満足度が低いインプラントを失敗または生成する。
論文 参考訳（メタデータ） (2022-04-12T10:58:05Z) - Solving Inverse Problems in Medical Imaging with Score-Based Generative
Models [87.48867245544106]
CT(Computed Tomography)とMRI(Magnetic Resonance Imaging)における医用画像の再構成は重要な逆問題である
機械学習に基づく既存のソリューションは通常、測定結果を医療画像に直接マッピングするモデルを訓練する。
本稿では,最近導入されたスコアベース生成モデルを利用して,逆問題解決のための教師なし手法を提案する。
論文 参考訳（メタデータ） (2021-11-15T05:41:12Z) - A Self-Supervised Deep Framework for Reference Bony Shape Estimation in
Orthognathic Surgical Planning [55.30223654196882]
仮想的な矯正手術計画では、3次元顔面骨形状モデルにおける顎変形の外科的修正をシミュレートする。
正常な解剖を表現した基準顔骨形状モデルは、計画精度を向上させるための客観的ガイダンスを提供することができる。
本稿では,顔面骨の形状モデルを自動的に推定する自己教師型ディープフレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-11T05:24:40Z) - Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound
Reconstruction [61.62191904755521]
3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。
既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。
複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
論文 参考訳（メタデータ） (2021-07-31T16:06:50Z) - Automatic Data Augmentation via Deep Reinforcement Learning for
Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。
本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。
提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文 参考訳（メタデータ） (2020-02-22T14:10:13Z)
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。