論文の概要: Automated 3D cephalometric landmark identification using computerized
tomography
- arxiv url: http://arxiv.org/abs/2101.05205v1
- Date: Wed, 16 Dec 2020 07:29:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 10:42:18.622915
- Title: Automated 3D cephalometric landmark identification using computerized
tomography
- Title（参考訳）: コンピュータトモグラフィーによる3次元脳波ランドマークの自動識別
- Authors: Hye Sun Yun, Chang Min Hyun, Seong Hyeon Baek, Sang-Hwy Lee, Jin Keun
Seo
- Abstract要約: 頭蓋骨の形状を代用する3次元頭蓋骨計測のランドマークの同定は、頭蓋骨計測の基本的なステップである。
近年,ディープラーニング(dl)を用いた2次元頭部画像の自動ランドマーク作成が大きな成功を収めているが,80以上のランドマークに対する3次元ランドマークは,まだ満足のいくレベルには達していない。
本論文では,匿名化されたランドマークデータセットと対のCTデータを取り除いた,半教師付き3次元ランドマーク用DL法を提案する。
- 参考スコア（独自算出の注目度）: 1.4349468613117398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Identification of 3D cephalometric landmarks that serve as proxy to the shape
of human skull is the fundamental step in cephalometric analysis. Since manual
landmarking from 3D computed tomography (CT) images is a cumbersome task even
for the trained experts, automatic 3D landmark detection system is in a great
need. Recently, automatic landmarking of 2D cephalograms using deep learning
(DL) has achieved great success, but 3D landmarking for more than 80 landmarks
has not yet reached a satisfactory level, because of the factors hindering
machine learning such as the high dimensionality of the input data and limited
amount of training data due to ethical restrictions on the use of medical data.
This paper presents a semi-supervised DL method for 3D landmarking that takes
advantage of anonymized landmark dataset with paired CT data being removed. The
proposed method first detects a small number of easy-to-find reference
landmarks, then uses them to provide a rough estimation of the entire landmarks
by utilizing the low dimensional representation learned by variational
autoencoder (VAE). Anonymized landmark dataset is used for training the VAE.
Finally, coarse-to-fine detection is applied to the small bounding box provided
by rough estimation, using separate strategies suitable for mandible and
cranium. For mandibular landmarks, patch-based 3D CNN is applied to the
segmented image of the mandible (separated from the maxilla), in order to
capture 3D morphological features of mandible associated with the landmarks. We
detect 6 landmarks around the condyle all at once, instead of one by one,
because they are closely related to each other. For cranial landmarks, we again
use VAE-based latent representation for more accurate annotation. In our
experiment, the proposed method achieved an averaged 3D point-to-point error of
2.91 mm for 90 landmarks only with 15 paired training data.
- Abstract（参考訳）: 頭蓋骨の形状を代用する3次元頭蓋骨計測のランドマークの同定は、頭蓋骨計測の基本的なステップである。
3dct画像からの手動ランドマーク作成は、訓練された専門家にとっても面倒な作業なので、自動3dランドマーク検出システムは非常に必要です。
近年, 深層学習(DL)を用いた2次元脳波の自動的ランドマーク化は大きな成功を収めているが, 医療データの利用に関する倫理的制約により, 入力データの高次元性や学習量の制限といった機械学習を妨げる要因から, 80以上のランドマークを用いた3次元ランドマーク化は, まだ満足のいくレベルに達していない。
本稿では,匿名化ランドマークデータセットを利用した3次元ランドマーク作成のための半教師付きdl法を提案する。
提案手法は,まず少数の簡易参照ランドマークを検出し,それを用いて変分オートエンコーダ(vae)で学習した低次元表現を用いてランドマーク全体の大まかな推定を行う。
匿名化されたランドマークデータセットは、VAEのトレーニングに使用される。
最後に, 下顎骨と頭蓋骨に適した分離戦略を用いて, 粗さを推定した小さな境界箱に粗さ検出を適用した。
下顎のランドマークについて, パッチベースの3D CNNを下顎骨(上顎から分離した)の分割像に適用し, ランドマークに関連付けられた下顎骨の3次元形態的特徴を捉えた。
コンディル周辺の6つのランドマークは、互いに密接に関連しているため、1つずつではなく、一度に検出する。
頭蓋のランドマークについては、vaeベースの潜在表現をもっと正確なアノテーションとして使用します。
本実験では,90個のランドマークに対して平均2.91mmの3次元点間誤差を15対のトレーニングデータで達成した。
関連論文リスト
- FaceLift: Semi-supervised 3D Facial Landmark Localization [6.191692539328364]
本稿では,手書きの2Dランドマークを直接持ち上げることで3Dランドマークを学習する,新しい半教師付き学習手法を提案する。
我々は、3D対応のGANを利用して、より優れたマルチビュー一貫性学習と、堅牢なクロスジェネリゼーションのためのマルチフレームビデオを作成する。
論文 参考訳（メタデータ） (2024-05-30T02:58:15Z) - Automatic 3D Registration of Dental CBCT and Face Scan Data using 2D
Projection Images [0.9226931037259524]
本稿では,歯科用コーンビームCT(CBCT)と顔スキャンデータの完全自動登録法を提案する。
3Dデジタル治療計画や矯正手術など、様々な用途で3D顎顔面モデルのデジタルプラットフォームとして使用できる。
論文 参考訳（メタデータ） (2023-05-17T11:26:43Z) - Learning 3D Human Pose Estimation from Dozens of Datasets using a
Geometry-Aware Autoencoder to Bridge Between Skeleton Formats [80.12253291709673]
本稿では,アフィン結合型オートエンコーダ(ACAE)法を提案する。
このアプローチは、28人の人間のポーズデータセットを使って1つのモデルを監督する、極端なマルチデータセット体制にスケールします。
論文 参考訳（メタデータ） (2022-12-29T22:22:49Z) - Unsupervised 3D Keypoint Discovery with Multi-View Geometry [104.76006413355485]
本研究では,多視点画像から人体上の3Dキーポイントを,監督やラベルなしで発見するアルゴリズムを提案する。
我々の手法は、他の最先端の教師なしアプローチと比較して、より解釈可能で正確な3Dキーポイントを発見する。
論文 参考訳（メタデータ） (2022-11-23T10:25:12Z) - 3D unsupervised anomaly detection and localization through virtual
multi-view projection and reconstruction: Clinical validation on low-dose
chest computed tomography [2.2302915692528367]
仮想多視点投影と再構成と呼ばれるコンピュータ支援診断のためのディープニューラルネットワークに基づく手法を提案する。
本手法は, 教師あり学習に基づくゴールド標準と比較して, 患者レベルの異常検出を10%改善する。
異常領域を93%の精度でローカライズし、高い性能を示す。
論文 参考訳（メタデータ） (2022-06-18T13:22:00Z) - Homography Loss for Monocular 3D Object Detection [54.04870007473932]
ホログラフィーロス(Homography Loss)と呼ばれる,2次元情報と3次元情報の両方を利用する識別可能なロス関数を提案する。
提案手法は,KITTI 3Dデータセットにおいて,他の最先端技術と比較して高い性能を示す。
論文 参考訳（メタデータ） (2022-04-02T03:48:03Z) - Structure-Aware Long Short-Term Memory Network for 3D Cephalometric
Landmark Detection [37.031819721889676]
本研究では,3次元ランドマーク検出のための構造対応長短期記憶フレームワーク(SA-LSTM)を提案する。
SA-LSTMは、まず、ダウンサンプリングCBCTボリューム上の熱マップ回帰によって粗いランドマークを見つける。
その後、高解像度の収穫パッチを使用して、注意深いオフセット回帰によってランドマークを徐々に洗練する。
実験の結果,提案手法は効率と精度で最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-07-21T06:35:52Z) - Delving into Localization Errors for Monocular 3D Object Detection [85.77319416168362]
単眼画像から3Dバウンディングボックスを推定することは、自動運転に不可欠な要素です。
本研究では, 各サブタスクがもたらす影響を定量化し, 局所化誤差を求めることが, モノクロ3次元検出の抑制に欠かせない要因である。
論文 参考訳（メタデータ） (2021-03-30T10:38:01Z) - 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) - Cephalometric Landmark Regression with Convolutional Neural Networks on
3D Computed Tomography Data [68.8204255655161]
側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。
本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。
本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
論文 参考訳（メタデータ） (2020-07-20T12:45:38Z) - 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。
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。