論文の概要: Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction

• arxiv url: http://arxiv.org/abs/2012.07262v1
• Date: Mon, 14 Dec 2020 05:22:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-09 08:54:15.458426
• Title: Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction
• Title（参考訳）: 自動3次元容器センタライン抽出のための学習ハイブリッド表現
• Authors: Jiafa He, Chengwei Pan, Can Yang, Ming Zhang, Yang Wang, Xiaowei Zhou and Yizhou Yu
• Abstract要約: 3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
• 参考スコア（独自算出の注目度）: 57.74609918453932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic blood vessel extraction from 3D medical images is crucial for vascular disease diagnoses. Existing methods based on convolutional neural networks (CNNs) may suffer from discontinuities of extracted vessels when segmenting such thin tubular structures from 3D images. We argue that preserving the continuity of extracted vessels requires to take into account the global geometry. However, 3D convolutions are computationally inefficient, which prohibits the 3D CNNs from sufficiently large receptive fields to capture the global cues in the entire image. In this work, we propose a hybrid representation learning approach to address this challenge. The main idea is to use CNNs to learn local appearances of vessels in image crops while using another point-cloud network to learn the global geometry of vessels in the entire image. In inference, the proposed approach extracts local segments of vessels using CNNs, classifies each segment based on global geometry using the point-cloud network, and finally connects all the segments that belong to the same vessel using the shortest-path algorithm. This combination results in an efficient, fully-automatic and template-free approach to centerline extraction from 3D images. We validate the proposed approach on CTA datasets and demonstrate its superior performance compared to both traditional and CNN-based baselines.
• Abstract（参考訳）: 3次元医用画像からの血管抽出は血管疾患の診断に不可欠である。 畳み込みニューラルネットワーク(CNN)に基づく既存の方法は、3D画像からそのような細い管状構造を分割する際に、抽出された血管の不連続に悩まされる可能性がある。 抽出された船舶の連続性を維持するためには、地球幾何学を考慮に入れる必要がある。 しかし、3D畳み込みは計算的に非効率であり、3D CNNは画像全体のグローバルな手がかりを捉えるのに十分な大きな受容場から除外される。 本研究では,この課題に対処するためのハイブリッド表現学習手法を提案する。 主なアイデアは、CNNを使って画像作物の容器の局所的な外観を学習し、別のポイントクラウドネットワークを使用して画像全体の容器のグローバルな幾何学を学ぶことである。 提案手法は,CNNを用いて局所的な船舶セグメントを抽出し,ポイントクラウドネットワークを用いてグローバルジオメトリに基づいて各セグメントを分類し,最短パスアルゴリズムを用いて同一船舶に属するすべてのセグメントを接続する。 この組み合わせにより、3D画像から中心線抽出を効率よく、完全に自動で、テンプレート無しで行うことができる。 提案手法をCTAデータセット上で検証し,従来のCNNベースラインと比較して優れた性能を示す。

関連論文リスト

• Improved distinct bone segmentation in upper-body CT through multi-resolution networks [0.39583175274885335]
  上半身CTと異なる骨分画では、大きな視野と計算的な3Dアーキテクチャが必要とされる。 これにより、空間的コンテキストの欠如により、細部や局所的な誤差を欠いた低解像度な結果が得られる。 本稿では,異なる解像度で動作する複数の3次元U-Netを組み合わせたエンドツーエンドのトレーニング可能なセグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2023-01-31T14:46:16Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• 3D-UCaps: 3D Capsules Unet for Volumetric Image Segmentation [11.312343928772993]
  医用ボリューム画像分割のための3Dボクセルベースのカプセルネットワークである3D-UCapsを提案する。 提案手法は,従来のCapsuleネットワークと3D-Unetsより優れていた。
  論文  参考訳（メタデータ） (2022-03-16T22:02:37Z)
• Localized Perturbations For Weakly-Supervised Segmentation of Glioma Brain Tumours [0.5801621787540266]
  本研究は,脳腫瘍のセグメンテーションマスクを事前訓練した3次元分類モデルから抽出するための,局所摂動を弱教師付きソリューションとして用いることを提案する。 また,U-netアーキテクチャを用いて,任意の分類において最も関連性の高い領域を見つけるために,3次元スーパーピクセルを利用する新しい摂動法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T21:01:20Z)
• Automated airway segmentation by learning graphical structure [0.76146285961466]
  我々は,既存の畳み込みニューラルネットワーク(CNN)とグラフニューラルネットワーク(GNN)に基づく気道セグメンテーションの高度な手法を提唱した。 提案モデルにより,CNN法とGNN法を併用した場合,胸部CTスキャンの気管支をほとんどの症例で検出できることが示唆された。
  論文  参考訳（メタデータ） (2021-09-30T01:37:31Z)
• CoTr: Efficiently Bridging CNN and Transformer for 3D Medical Image Segmentation [95.51455777713092]
  畳み込みニューラルネットワーク(CNN)は、現代の3D医療画像セグメンテーションのデファクトスタンダードとなっている。 本稿では,bf畳み込みニューラルネットワークとbfトランスbf(cotr)を効率良く橋渡しし,正確な3次元医用画像分割を実現する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-03-04T13:34:22Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)
• Automatic Segmentation, Localization, and Identification of Vertebrae in 3D CT Images Using Cascaded Convolutional Neural Networks [22.572414102512358]
  本稿では, 3次元CT画像における椎骨の自動分割, 局所化, 同定の方法を提案する。 提案手法は,すべてのタスクを仮定なしで単一のマルチステージフレームワークで処理する。 平均Diceスコアは96%,平均定位誤差は8.3mm,平均識別率は84%であった。
  論文  参考訳（メタデータ） (2020-09-29T06:11:37Z)
• 4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
  3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。 我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
  論文  参考訳（メタデータ） (2020-07-02T12:02:20Z)
• Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
  3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。 局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。 本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
  論文  参考訳（メタデータ） (2020-04-21T13:40:03Z)

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。

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。