論文の概要: Three-dimensional Segmentation of the Scoliotic Spine from MRI using
Unsupervised Volume-based MR-CT Synthesis
- arxiv url: http://arxiv.org/abs/2011.14005v1
- Date: Wed, 25 Nov 2020 18:34:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 04:04:42.620119
- Title: Three-dimensional Segmentation of the Scoliotic Spine from MRI using
Unsupervised Volume-based MR-CT Synthesis
- Title（参考訳）: 非教師付きボリュームベースMR-CT合成によるMRI上側頭葉の3次元分割
- Authors: Enamundram M. V. Naga Karthik, Catherine Laporte, Farida Cheriet
- Abstract要約: 本研究では,無教師付き完全3次元(3次元)クロスモダリティ合成法を提案する。
3D CycleGANモデルはMR領域とCT領域にまたがるボリューム・ツー・ボリューム変換のために訓練される。
結果として生じるセグメンテーションは、脊椎の3次元モデルを再構成するために使用される。
- 参考スコア（独自算出の注目度）: 3.6273410177512275
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vertebral bone segmentation from magnetic resonance (MR) images is a
challenging task. Due to the inherent nature of the modality to emphasize soft
tissues of the body, common thresholding algorithms are ineffective in
detecting bones in MR images. On the other hand, it is relatively easier to
segment bones from CT images because of the high contrast between bones and the
surrounding regions. For this reason, we perform a cross-modality synthesis
between MR and CT domains for simple thresholding-based segmentation of the
vertebral bones. However, this implicitly assumes the availability of paired
MR-CT data, which is rare, especially in the case of scoliotic patients. In
this paper, we present a completely unsupervised, fully three-dimensional (3D)
cross-modality synthesis method for segmenting scoliotic spines. A 3D CycleGAN
model is trained for an unpaired volume-to-volume translation across MR and CT
domains. Then, the Otsu thresholding algorithm is applied to the synthesized CT
volumes for easy segmentation of the vertebral bones. The resulting
segmentation is used to reconstruct a 3D model of the spine. We validate our
method on 28 scoliotic vertebrae in 3 patients by computing the
point-to-surface mean distance between the landmark points for each vertebra
obtained from pre-operative X-rays and the surface of the segmented vertebra.
Our study results in a mean error of 3.41 $\pm$ 1.06 mm. Based on qualitative
and quantitative results, we conclude that our method is able to obtain a good
segmentation and 3D reconstruction of scoliotic spines, all after training from
unpaired data in an unsupervised manner.
- Abstract（参考訳）: MRI画像からの椎骨分割は難しい課題である。
生体の軟部組織を強調するモダリティの性質により、MR画像の骨を検出するのに共通のしきい値付けアルゴリズムは効果がない。
一方, 骨と周辺領域のコントラストが高いため, CT画像から骨を分離することが比較的容易である。
そのため, 単純しきい値を用いた椎骨分割法において, MR領域とCT領域の相互モダリティ合成を行う。
しかし,このことは,特に側頭症患者ではまれなMR-CTデータの有用性を暗黙的に仮定している。
本稿では,完全教師なし,完全3次元(3次元)クロスモダリティ合成法を提案する。
3D CycleGANモデルはMR領域とCT領域にまたがるボリューム・ツー・ボリューム変換のために訓練される。
次に, 合成CTボリュームに大津しきい値法を適用し, 脊椎骨のセグメンテーションを容易にする。
結果として生じるセグメンテーションは、脊椎の3次元モデルを再構成するために使用される。
術前X線検査で得られた各椎骨と分節椎体の表面のランドマーク点間の平均距離を計算し,3例の側頭葉骨28例について検討した。
その結果、平均誤差は3.41$\pm$ 1.06mmとなった。
質的,定量的な結果から,無害なデータから無害な方法で訓練した後に,有意なセグメンテーションと脊柱の3次元再構築が可能であると結論付けた。
関連論文リスト
- Unsupervised Skull Segmentation via Contrastive MR-to-CT Modality Translation [0.2911706166691895]
CTスキャンによる頭蓋骨のセグメンテーションは、すでに解決されている問題であると見なすことができる。
MRでは、骨ではなく軟部組織の存在により、このタスクは著しく複雑になる。
MR画像上で直接セグメント化を行うのではなく,MR-to-CT変換による合成CTデータ生成を行う。
論文 参考訳（メタデータ） (2024-10-17T10:51:08Z) - Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。
代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。
不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
論文 参考訳（メタデータ） (2024-01-31T21:05:34Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - 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) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳（メタデータ） (2022-05-16T10:59:55Z) - Interpretable Vertebral Fracture Quantification via Anchor-Free
Landmarks Localization [0.04925906256430176]
椎体圧迫骨折は骨粗しょう症の早期徴候である。
3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。
そして、個々の椎骨を検出し、同時に2Dで骨折を定量化する。
論文 参考訳（メタデータ） (2022-04-14T08:31:25Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - 3D Reconstruction and Segmentation of Dissection Photographs for
MRI-free Neuropathology [2.4984854046383624]
脳郭清画像から全脳像量を再構成・分画する手法を提案する。
3次元再構成は、MRI以外の参照ボリュームを使用する共同登録フレームワークによって達成される。
我々は,Diceスコアとボリューム相関を用いて,24脳のデータセット上で本手法の評価を行った。
論文 参考訳（メタデータ） (2020-09-11T18:21:00Z) - Deep Negative Volume Segmentation [60.44793799306154]
対象物を取り囲むすべての組織間で空の空間を分割する3Dセグメント化タスクに対する新しい角度を提案する。
我々のアプローチは骨分割のためのV-Netを含むエンドツーエンドパイプラインである。
顎顔面領域の専門医が注釈を付した50名の患者データセットにおけるCTスキャンの考え方を検証した。
論文 参考訳（メタデータ） (2020-06-22T16:55:23Z) - Keypoints Localization for Joint Vertebra Detection and Fracture
Severity Quantification [0.04925906256430176]
椎体圧迫骨折は骨粗しょう症の早期徴候である。
3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。
我々は同時に個々の椎骨を検出し、2Dで骨折を定量化する。
論文 参考訳（メタデータ） (2020-05-25T08:05:27Z) - A$^3$DSegNet: Anatomy-aware artifact disentanglement and segmentation
network for unpaired segmentation, artifact reduction, and modality
translation [18.500206499468902]
CBCT画像は, ノイズ, 組織コントラストの低下, 金属物の存在により, 品質が低く, 人工物が混入している。
脊椎のアノテーションを付加した、人工物のない高品質なCT画像が豊富に存在する。
CBCT椎体分割モデルの構築には, アノテーションを付加した未確認CT画像が有用である。
論文 参考訳（メタデータ） (2020-01-02T06:37:09Z)
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。