論文の概要: Pose-dependent weights and Domain Randomization for fully automatic
X-ray to CT Registration
- arxiv url: http://arxiv.org/abs/2011.07294v2
- Date: Thu, 15 Apr 2021 09:54:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 13:44:58.441298
- Title: Pose-dependent weights and Domain Randomization for fully automatic
X-ray to CT Registration
- Title（参考訳）: 完全自動x線ct登録のためのポーズ依存重みと領域ランダム化
- Authors: Matthias Grimm, Javier Esteban, Mathias Unberath and Nassir Navab
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 51.280096834264256
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fully automatic X-ray to CT registration requires a solid initialization to
provide an initial alignment within the capture range of existing
intensity-based registrations. This work adresses that need by providing a
novel automatic initialization, which enables end to end registration. First, a
neural network is trained once to detect a set of anatomical landmarks on
simulated X-rays. A domain randomization scheme is proposed to enable the
network to overcome the challenge of being trained purely on simulated data and
run inference on real Xrays. Then, for each patient CT, a patient-specific
landmark extraction scheme is used. It is based on backprojecting and
clustering the previously trained networks predictions on a set of simulated
X-rays. Next, the network is retrained to detect the new landmarks. Finally the
combination of network and 3D landmark locations is used to compute the
initialization using a perspective-n-point algorithm. During the computation of
the pose, a weighting scheme is introduced to incorporate the confidence of the
network in detecting the landmarks. The algorithm is evaluated on the pelvis
using both real and simulated x-rays. The mean (+-standard deviation) target
registration error in millimetres is 4.1 +- 4.3 for simulated X-rays with a
success rate of 92% and 4.2 +- 3.9 for real X-rays with a success rate of
86.8%, where a success is defined as a translation error of less than 30mm.
- Abstract（参考訳）: 完全自動X線CT登録は、既存の強度ベース登録のキャプチャ範囲内での最初のアライメントを提供するために、しっかりとした初期化を必要とする。
この作業は、エンド・トゥ・エンド登録を可能にする新しい自動初期化を提供することによって、必要なものに対処します。
まず、ニューラルネットワークが一度トレーニングされ、シミュレーションされたX線上の解剖学的ランドマークのセットを検出する。
シミュレーションデータで純粋にトレーニングし、実際のX線で推論を行うという課題を克服するために、ドメインランダム化方式を提案する。
そして、各患者CTに対して、患者固有のランドマーク抽出方式を用いる。
シミュレーションされたX線に基づいて、以前に訓練されたネットワーク予測のバックプロジェクションとクラスタリングに基づいている。
次に、ネットワークをトレーニングして新しいランドマークを検出する。
最後に、ネットワークと3Dランドマークの組み合わせを用いて、パースペクティブ-n-pointアルゴリズムを用いて初期化を計算する。
ポーズの計算中に、ランドマークの検出にネットワークの信頼性を組み込むために重み付けスキームが導入された。
このアルゴリズムは実線と模擬X線の両方を用いて骨盤上で評価する。
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。
関連論文リスト
- Intraoperative 2D/3D Image Registration via Differentiable X-ray Rendering [5.617649111108429]
DiffPoseは、患者固有のシミュレーションと微分可能な物理ベースのレンダリングを利用して、手動でラベル付けされたデータに頼ることなく正確な2D/3D登録を実現する自己教師型アプローチである。
DiffPoseは手術用データセット全体の術速でサブミリ精度を達成し、既存の教師なしの手法を桁違いに改善し、教師付きベースラインよりも優れています。
論文 参考訳（メタデータ） (2023-12-11T13:05:54Z) - X-Ray to CT Rigid Registration Using Scene Coordinate Regression [1.1687067206676627]
本稿では,極端視点に頑健な完全自動登録手法を提案する。
これは、与えられたX線画像の重なり合う座標を回帰する完全な畳み込みニューラルネットワーク(CNN)に基づいている。
提案手法は, 模擬試験データセットの50パーセンタイルにおける平均平均目標登録誤差(mTRE)を3.79mmとし, ペルビス登録のための実フルオロスコープ画像の50パーセンタイルにおける平均目標登録誤差(mTRE)を9.65mmと予測した。
論文 参考訳（メタデータ） (2023-11-25T17:48:46Z) - Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。
ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。
我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
論文 参考訳（メタデータ） (2022-11-22T11:34:51Z) - Self-Supervised 2D/3D Registration for X-Ray to CT Image Fusion [10.040271638205382]
シミュレーショントレーニングと教師なし特徴と画素空間領域適応を組み合わせた自己教師付き2D/3D登録フレームワークを提案する。
本フレームワークは, 実X線画像における90.1%の成功率で, 1.83$pm$1.16 mmの登録精度を達成している。
論文 参考訳（メタデータ） (2022-10-14T08:06:57Z) - Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。
我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。
次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文 参考訳（メタデータ） (2021-10-25T14:15:57Z) - CNN Based Segmentation of Infarcted Regions in Acute Cerebral Stroke
Patients From Computed Tomography Perfusion Imaging [2.1626699124055504]
血栓溶解療法は脳損傷を軽減できるが、治療窓は狭い。
Computed To Perfusion Imagingは、脳卒中患者の一般的な一次評価ツールです。
完全自動化された4次元畳み込みニューラルネットワークに基づくセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2021-04-07T09:09:13Z) - Explaining COVID-19 and Thoracic Pathology Model Predictions by
Identifying Informative Input Features [47.45835732009979]
ニューラルネットワークは胸部X線上の分類および回帰タスクにおいて顕著な性能を示した。
特徴帰属法は、出力予測における入力特徴の重要性を識別する。
本研究では,NIH Chest X-ray8およびBrixIAデータセット上で,人間中心の解釈可能性指標と人間に依存しない特徴重要度指標の両方を用いて評価する。
論文 参考訳（メタデータ） (2021-04-01T11:42:39Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - Individual Tooth Detection and Identification from Dental Panoramic
X-Ray Images via Point-wise Localization and Distance Regularization [10.877276642014515]
提案したネットワークは、まずすべての解剖学的歯に対して中心点回帰を行い、各歯を自動的に識別する。
歯の箱は、パッチベースでカスケードニューラルネットワークを用いて個別に局所化される。
実験結果から,提案アルゴリズムは最先端手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-04-12T04:14:14Z)
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。