論文の概要: Automatic Segmentation and Location Learning of Neonatal Cerebral
Ventricles in 3D Ultrasound Data Combining CNN and CPPN
- arxiv url: http://arxiv.org/abs/2012.03014v2
- Date: Sat, 20 Feb 2021 14:48:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-22 12:01:43.429151
- Title: Automatic Segmentation and Location Learning of Neonatal Cerebral
Ventricles in 3D Ultrasound Data Combining CNN and CPPN
- Title（参考訳）: CNNとCPPNを併用した3次元超音波による新生児脳室の自動分離と位置学習
- Authors: Matthieu Martin, Bruno Sciolla, Micha\"el Sdika, Philippe Qu\'etin,
Philippe Delachartre
- Abstract要約: 臨床ルーティングでは,2次元超音波画像上で手動2D計測を行い,脳室系の容積を推定する。
この問題に対処する1つの方法は、3DUSデータのための自動CVSセグメンテーションアルゴリズムを開発することである。
本稿では,この複雑な課題を解決するための2次元および3次元畳み込みニューラルネットワーク(CNN)の可能性について検討する。
- 参考スコア（独自算出の注目度）: 3.552368449344917
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Preterm neonates are highly likely to suffer from ventriculomegaly, a
dilation of the Cerebral Ventricular System (CVS). This condition can develop
into life-threatening hydrocephalus and is correlated with future
neuro-developmental impairments. Consequently, it must be detected and
monitored by physicians. In clinical routing, manual 2D measurements are
performed on 2D ultrasound (US) images to estimate the CVS volume but this
practice is imprecise due to the unavailability of 3D information. A way to
tackle this problem would be to develop automatic CVS segmentation algorithms
for 3D US data. In this paper, we investigate the potential of 2D and 3D
Convolutional Neural Networks (CNN) to solve this complex task and propose to
use Compositional Pattern Producing Network (CPPN) to enable the CNNs to learn
CVS location. Our database was composed of 25 3D US volumes collected on 21
preterm nenonates at the age of $35.8 \pm 1.6$ gestational weeks. We found that
the CPPN enables to encode CVS location, which increases the accuracy of the
CNNs when they have few layers. Accuracy of the 2D and 3D CNNs reached
intraobserver variability (IOV) in the case of dilated ventricles with Dice of
$0.893 \pm 0.008$ and $0.886 \pm 0.004$ respectively (IOV = $0.898 \pm 0.008$)
and with volume errors of $0.45 \pm 0.42$ cm$^3$ and $0.36 \pm 0.24$ cm$^3$
respectively (IOV = $0.41 \pm 0.05$ cm$^3$). 3D CNNs were more accurate than 2D
CNNs in the case of normal ventricles with Dice of $0.797 \pm 0.041$ against
$0.776 \pm 0.038$ (IOV = $0.816 \pm 0.009$) and volume errors of $0.35 \pm
0.29$ cm$^3$ against $0.35 \pm 0.24$ cm$^3$ (IOV = $0.2 \pm 0.11$ cm$^3$). The
best segmentation time of volumes of size $320 \times 320 \times 320$ was
obtained by a 2D CNN in $3.5 \pm 0.2$ s.
- Abstract（参考訳）: 早期の新生児は、脳室系(cvs)の拡張である心室大動脈瘤に苦しむ可能性が高い。
この状態は生命を脅かす水頭症に発展し、将来の神経発達障害と相関する。
そのため、医師によって検出・監視されなければならない。
臨床ルーティングでは, 2次元超音波(us)画像を用いて手作業による2次元計測を行い, cvs体積を推定するが, 3次元情報の活用が困難である。
この問題を解決する方法は、3DUSデータのための自動CVSセグメンテーションアルゴリズムを開発することである。
本稿では,2次元および3次元畳み込みニューラルネットワーク(cnn)の可能性を調査し,この複雑な課題を解決し,合成パターン生成ネットワーク(cppn)を用いてcnnがcvs位置を学習できるようにする。
我々のデータベースは、妊娠数週間で35.8 pm 1.6$で21の事前のネノネートで収集された25の3DUS巻で構成されていた。
CPPNはCVS位置を符号化することができ、レイヤーが少ない場合にCNNの精度を高めることができる。
Diceが0.893 \pm 0.008$、$0.886 \pm 0.004$がそれぞれ(IOV = $0.898 \pm 0.008$)、ボリュームエラーが0.45 \pm 0.42$ cm$^3$と$0.36 \pm 0.24$ cm$^3$である(IOV = $0.41 \pm 0.05$ cm^3$)。
Diceが0.797 \pm 0.041$対0.776 \pm 0.038$(IOV = $0.816 \pm 0.009$)、ボリュームエラーが0.35 \pm 0.29$ cm^3$対$0.35 \pm 0.24$ cm^3$(IOV = $0.2 \pm 0.11$ cm^3$)である。
サイズ320 \times 320 \times 320$の最良のセグメンテーションタイムは、2D CNNが3.5 \pm 0.2$ sで取得した。
関連論文リスト
- Medical Slice Transformer: Improved Diagnosis and Explainability on 3D Medical Images with DINOv2 [1.6275928583134276]
医用スライストランスフォーマー(MST)フレームワークを導入し,3次元医用画像解析に2次元自己監督モデルを適用した。
MSTは畳み込みニューラルネットワークと比較して、診断精度と説明性の向上を提供する。
論文 参考訳（メタデータ） (2024-11-24T12:11:11Z) - ANN vs SNN: A case study for Neural Decoding in Implantable
Brain-Machine Interfaces [0.7904805552920349]
本研究では,運動復号化のための異なるニューラルネットワーク(NN)を精度と実装コストの観点から比較する。
さらに,従来の信号処理技術と機械学習技術を組み合わせることで,単純なNNでも驚くほど優れた性能が得られることを示す。
論文 参考訳（メタデータ） (2023-12-26T05:40:39Z) - Efficient brain age prediction from 3D MRI volumes using 2D projections [0.0]
数個の2次元投影に2次元CNNを用いることで、脳の体積から年齢を予測する際に妥当な検査精度が得られることを示す。
20,324人の被験者による1つのトレーニングエポックは、1つのGPUで40から70秒かかり、小さな3D CNNの約100倍高速である。
論文 参考訳（メタデータ） (2022-11-10T18:50:10Z) - AI-based Clinical Assessment of Optic Nerve Head Robustness Superseding
Biomechanical Testing [54.306443917863355]
我々は,ONHの1つのOCTスキャンからのみ,与えられたONHの堅牢性を評価することができるAI駆動型アプローチを提案する。
縦断的研究は、ONHの頑健さが高速な視野障害進行因子の同定に役立つかどうかを確かめるべきである。
論文 参考訳（メタデータ） (2022-06-09T11:29:28Z) - Uncertainty-Aware Camera Pose Estimation from Points and Lines [101.03675842534415]
Perspective-n-Point-and-Line (Pn$PL) は、2D-3D特徴座標の3Dモデルに関して、高速で正確で堅牢なカメラローカライゼーションを目指している。
論文 参考訳（メタデータ） (2021-07-08T15:19:36Z) - Continual 3D Convolutional Neural Networks for Real-time Processing of
Videos [93.73198973454944]
連続3次元コンテンポラルニューラルネットワーク(Co3D CNN)について紹介する。
Co3D CNNはクリップ・バイ・クリップではなく、フレーム・バイ・フレームで動画を処理する。
本研究では,既存の映像認識モデルの重みを初期化したCo3D CNNを用いて,フレームワイズ計算における浮動小数点演算を10.0-12.4倍削減し,Kinetics-400の精度を2.3-3.8倍に向上したことを示す。
論文 参考訳（メタデータ） (2021-05-31T18:30:52Z) - 3D CNNs with Adaptive Temporal Feature Resolutions [83.43776851586351]
similarity Guided Sampling (SGS)モジュールは既存のCNNアーキテクチャにプラグインできる。
SGSは、時間的特徴の類似性を学び、類似した特徴をまとめることで、3D CNNに権限を与える。
評価の結果,提案モジュールは精度を保ちながら計算コスト(GFLOP)を半分に減らし,最先端化を実現していることがわかった。
論文 参考訳（メタデータ） (2020-11-17T14:34:05Z) - Improving Automated COVID-19 Grading with Convolutional Neural Networks
in Computed Tomography Scans: An Ablation Study [3.072491397378425]
本稿では,CNNに基づくCT画像からのCOVID-19グレーティングのためのアルゴリズムの性能向上に寄与する各種成分を同定する。
これらの成分を用いた3D CNNは, テストセット105CTでは0.934のLOC曲線 (AUC) , 公開されている742CTでは0.923のAUCを達成した。
論文 参考訳（メタデータ） (2020-09-21T09:58:57Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z) - 2D Convolutional Neural Networks for 3D Digital Breast Tomosynthesis
Classification [20.245580301060418]
分類のための自動手法を開発する際の主な課題は、スライス数の可変処理とスライス・ツー・スライスの変更の維持である。
本稿では,両課題を同時に克服する,新しい2次元畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
提案手法は,スライス数にかかわらず全ボリュームで動作するため,特徴抽出に2次元CNNを事前学習することが可能である。
論文 参考訳（メタデータ） (2020-02-27T18:32:52Z) - 2.75D: Boosting learning by representing 3D Medical imaging to 2D
features for small data [54.223614679807994]
3D畳み込みニューラルネットワーク(CNN)は、多くのディープラーニングタスクにおいて、2D CNNよりも優れたパフォーマンスを示し始めている。
3D CNNにトランスファー学習を適用することは、パブリックにトレーニング済みの3Dモデルがないために困難である。
本研究では,ボリュームデータの2次元戦略的表現,すなわち2.75Dを提案する。
その結果,2次元CNNネットワークをボリューム情報学習に用いることが可能となった。
論文 参考訳（メタデータ） (2020-02-11T08:24:19Z)
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。