Fugu-MT 論文翻訳(概要): 3D Bounding Box Detection in Volumetric Medical Image Data: A Systematic Literature Review

論文の概要: 3D Bounding Box Detection in Volumetric Medical Image Data: A Systematic Literature Review

arxiv url: http://arxiv.org/abs/2012.05745v1
Date: Thu, 10 Dec 2020 15:28:34 GMT
ステータス: 処理完了
システム内更新日: 2021-05-15 06:30:06.113281
Title: 3D Bounding Box Detection in Volumetric Medical Image Data: A Systematic Literature Review
Title（参考訳）: 容積医用画像データにおける3次元バウンディングボックス検出 : 体系的文献レビュー
Authors: Daria Kern, Andre Mastmeyer
Abstract要約: 2Dと3Dの実装について議論し、比較する。解剖学的構造をローカライズするための複数のアプローチを示す。境界ボックス検出オプションの概要を示し、研究者がターゲットオブジェクトに対して最も有望なアプローチを選択するのに役立つ。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper discusses current methods and trends for 3D bounding box detection in volumetric medical image data. For this purpose, an overview of relevant papers from recent years is given. 2D and 3D implementations are discussed and compared. Multiple identified approaches for localizing anatomical structures are presented. The results show that most research recently focuses on Deep Learning methods, such as Convolutional Neural Networks vs. methods with manual feature engineering, e.g. Random-Regression-Forests. An overview of bounding box detection options is presented and helps researchers to select the most promising approach for their target objects.
Abstract（参考訳）: 本稿では,ボリューム医療画像データにおける3次元境界ボックス検出の現状と動向について論じる。この目的のために、近年の関連論文の概要を述べる。 2Dと3Dの実装について議論し比較する。解剖学的構造をローカライズするための複数のアプローチを示す。その結果,最近の研究は,畳み込みニューラルネットワークや手作業による特徴工学の手法など,ディープラーニングの手法に焦点が当てられている。ランダム回帰。境界ボックス検出オプションの概要を示し、研究者がターゲットオブジェクトに対して最も有望なアプローチを選択するのに役立つ。

関連論文リスト

Open Vocabulary Monocular 3D Object Detection [10.424711580213616]
RGB画像から3次元空間内の物体を検出しローカライズすることを目的とした新しい課題であるオープンボキャブラリモノクロ3Dオブジェクト検出の研究を開拓した。オープンボキャブラリ2次元検出器を活用して2次元境界ボックスを3次元空間に持ち上げるクラス非依存的手法を提案する。提案手法は,3次元境界ボックスを推定する作業から2次元の物体の認識と局所化を分離し,未知のカテゴリをまたいだ一般化を可能にする。
論文参考訳（メタデータ） (2024-11-25T18:59:17Z)
CatFree3D: Category-agnostic 3D Object Detection with Diffusion [63.75470913278591]
本稿では,2次元検出と深度予測から3次元検出を分離するパイプラインを提案する。また,3次元検出結果の正確な評価のために,正規化ハンガリー距離(NHD)指標も導入した。
論文参考訳（メタデータ） (2024-08-22T22:05:57Z)
Find n' Propagate: Open-Vocabulary 3D Object Detection in Urban Environments [67.83787474506073]
我々は,現在のLiDARに基づく3Dオブジェクト検出システムの限界に対処する。本稿では,3次元OVタスクに対する汎用textscFind n' Propagate アプローチを提案する。我々は、新しいオブジェクトクラスに対する平均精度(AP)を最大3.97倍に向上させる。
論文参考訳（メタデータ） (2024-03-20T12:51:30Z)
Towards Fair and Comprehensive Comparisons for Image-Based 3D Object Detection [73.32210225999056]
モジュール設計と3Dオブジェクト検出のための統一的なトレーニング標準の構築を行う。また,検出モデルの詳細な特徴を評価するために,誤り診断ツールボックスを設計する。
論文参考訳（メタデータ） (2023-10-09T06:43:48Z)
A Deep Neural Architecture for Harmonizing 3-D Input Data Analysis and Decision Making in Medical Imaging [3.6170587429082195]
本稿では、ルーティングと機能アライメントステップを含むRACNetという新しいディープニューラルネットワークを提案する。 3次元画像入力の異なる入力長と単一のアノテーションを効果的に処理し、高精度な決定を提供する。さらに、トレーニングされたRACNetから潜時変数を抽出することで、ネットワークの決定に関するさらなる洞察を提供するアンカーのセットが生成される。
論文参考訳（メタデータ） (2023-03-01T02:07:48Z)
CMR3D: Contextualized Multi-Stage Refinement for 3D Object Detection [57.44434974289945]
本稿では,3次元オブジェクト検出(CMR3D)フレームワークのためのコンテキスト型マルチステージリファインメントを提案する。我々のフレームワークは3Dシーンを入力として取り、シーンの有用なコンテキスト情報を明示的に統合しようと試みている。 3Dオブジェクトの検出に加えて,3Dオブジェクトカウント問題に対するフレームワークの有効性について検討する。
論文参考訳（メタデータ） (2022-09-13T05:26:09Z)
Medical Image Segmentation using 3D Convolutional Neural Networks: A Review [25.864941088823343]
コンピュータ支援医療画像解析は,専門医の専門的臨床診断を支援し,適切な治療計画を決定する上で重要な役割を担っている。現在、畳み込みニューラルネットワーク(CNN)が医療画像解析に好まれている。 3Dイメージングシステムの急速な進歩と優れたハードウェアとソフトウェアのサポートの可用性により、医用画像解析において3D深層学習法が人気を集めている。
論文参考訳（メタデータ） (2021-08-19T03:23:08Z)
Depth-conditioned Dynamic Message Propagation for Monocular 3D Object Detection [86.25022248968908]
モノラル3Dオブジェクト検出の問題を解決するために、コンテキストと奥行きを認識する特徴表現を学びます。 KITTIベンチマークデータセットにおける単眼的アプローチにおける最新の結果を示す。
論文参考訳（メタデータ） (2021-03-30T16:20:24Z)
3D Self-Supervised Methods for Medical Imaging [7.65168530693281]
本稿では,プロキシタスクの形式で,5種類の自己教師型手法の3次元バージョンを提案する。提案手法は,未ラベルの3次元画像からニューラルネットワークの特徴学習を容易にし,専門家のアノテーションに必要なコストを削減することを目的としている。開発したアルゴリズムは、3D Contrastive Predictive Coding, 3D Rotation Prediction, 3D Jigsaw puzzles, Relative 3D patch location, 3D Exemplar Networkである。
論文参考訳（メタデータ） (2020-06-06T09:56:58Z)
DOPS: Learning to Detect 3D Objects and Predict their 3D Shapes [54.239416488865565]
LIDARデータに対する高速な1段3次元物体検出法を提案する。我々の手法の中核となる新規性は高速かつシングルパスアーキテクチャであり、どちらも3次元の物体を検出し、それらの形状を推定する。提案手法は,ScanNetシーンのオブジェクト検出で5%,オープンデータセットでは3.4%の精度で結果が得られた。
論文参考訳（メタデータ） (2020-04-02T17:48:50Z)
Region Proposal Network with Graph Prior and IoU-Balance Loss for Landmark Detection in 3D Ultrasound [16.523977092204813]
3D超音波(US)は胎児の成長モニタリングのための詳細な出生前検査を容易にする。 3DUSボリュームを分析するためには、解剖学的ランドマークを正確に同定することが基本である。我々は3次元顔USボリュームのランドマークを検出するためにオブジェクト検出フレームワークを利用する。
論文参考訳（メタデータ） (2020-04-01T03:00:03Z)

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。