Fugu-MT 論文翻訳(概要): Localization of Cochlear Implant Electrodes from Cone Beam Computed Tomography using Particle Belief Propagation

論文の概要: Localization of Cochlear Implant Electrodes from Cone Beam Computed Tomography using Particle Belief Propagation

arxiv url: http://arxiv.org/abs/2103.10434v1
Date: Thu, 18 Mar 2021 15:39:23 GMT
ステータス: 処理完了
システム内更新日: 2021-03-23 00:00:47.935138
Title: Localization of Cochlear Implant Electrodes from Cone Beam Computed Tomography using Particle Belief Propagation
Title（参考訳）: 粒子分布伝播を用いたコーンビームCTからの人工内耳電極の局在
Authors: Hendrik Hachmann, Benjamin Kr\"uger, Bodo Rosenhahn and Waldo Nogueira
Abstract要約: 人工内耳インプラント(CI)は、深い難聴に苦しむ人々の聴覚感覚を回復させることができるインプラント可能な医療機器です。これらの電極の正確な位置は、これらのデバイスの性能を改善し予測する上で重要なパラメータとなるかもしれない。コーンビーム計算トモグラフィー(CBCT)データセットに対するCI電極位置決めのためのマルコフランダムフィールド(MRF)モデルを提案する。
参考スコア（独自算出の注目度）: 23.934214668896157
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cochlear implants (CIs) are implantable medical devices that can restore the hearing sense of people suffering from profound hearing loss. The CI uses a set of electrode contacts placed inside the cochlea to stimulate the auditory nerve with current pulses. The exact location of these electrodes may be an important parameter to improve and predict the performance with these devices. Currently the methods used in clinics to characterize the geometry of the cochlea as well as to estimate the electrode positions are manual, error-prone and time consuming. We propose a Markov random field (MRF) model for CI electrode localization for cone beam computed tomography (CBCT) data-sets. Intensity and shape of electrodes are included as prior knowledge as well as distance and angles between contacts. MRF inference is based on slice sampling particle belief propagation and guided by several heuristics. A stochastic search finds the best maximum a posteriori estimation among sampled MRF realizations. We evaluate our algorithm on synthetic and real CBCT data-sets and compare its performance with two state of the art algorithms. An increase of localization precision up to 31.5% (mean), or 48.6% (median) respectively, on real CBCT data-sets is shown.
Abstract（参考訳）: 人工内耳(英: cochlear implants、cis)は、難聴者の聴感を回復する医療機器である。 ciは、人工内耳の内部に配置された一連の電極接触を使用して、電流パルスで聴覚神経を刺激する。これらの電極の正確な位置は、これらのデバイスの性能を改善し予測する上で重要なパラメータとなるかもしれない。現在、人工内耳の形状を特徴付けるためにクリニックで用いられる方法や、電極の位置を推定する手法は、手作業、エラー発生、時間消費である。コーンビーム計算トモグラフィー(CBCT)データセットに対するCI電極位置決めのためのマルコフランダムフィールド(MRF)モデルを提案する。電極の強度と形状は、接触間の距離と角度と同様に、事前の知識として含まれる。 MRF推論はスライスサンプリング粒子信念の伝播に基づいており、いくつかのヒューリスティックスによって導かれる。確率的探索により,標本化MRFの最大後値推定値を求める。合成および実CBCTデータセット上でのアルゴリズムの評価を行い,その性能を2つの技術アルゴリズムと比較した。 CBCTの実際のデータセットでは、それぞれ31.5%(平均)または48.6%(中間)のローカライゼーション精度が向上している。

関連論文リスト

CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
EKGNet: A 10.96{\mu}W Fully Analog Neural Network for Intra-Patient Arrhythmia Classification [79.7946379395238]
心電図不整脈分類におけるアナログ計算と深層学習を組み合わせた統合的アプローチを提案する。本稿では,低消費電力で高精度にアーカイブするハードウェア効率と完全アナログ不整脈分類アーキテクチャであるEKGNetを提案する。
論文参考訳（メタデータ） (2023-10-24T02:37:49Z)
Towards Enabling Cardiac Digital Twins of Myocardial Infarction Using Deep Computational Models for Inverse Inference [6.447210290674733]
シミュレーションされたQRSから脳梗塞の位置と分布を推定するために,二分岐変分オートエンコーダと推論モデルからなる新しい深部計算モデルを提案する。感度分析により、脳梗塞の特徴と電気生理学的特徴との複雑な関係の理解が促進される。
論文参考訳（メタデータ） (2023-07-10T08:54:12Z)
Estimating Cardiac Tissue Conductivity from Electrograms with Fully Convolutional Networks [0.0]
心房細動(Atrial Fibrillation, AAF)は、心房の電気的不整脈を特徴とする。 AFの有効治療には、心筋の有効伝導率の推定と異常増殖領域の同定が不可欠である。
論文参考訳（メタデータ） (2022-12-06T14:37:59Z)
Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文参考訳（メタデータ） (2021-12-18T14:17:49Z)
Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文参考訳（メタデータ） (2021-11-25T10:11:41Z)
Rotor Localization and Phase Mapping of Cardiac Excitation Waves using Deep Neural Networks [0.0]
深層学習を用いて位相マップを計算し、ノイズやスパース電気データから位相特異点を検出する。この手法を用いて,極端にスパースでノイズの多いデータであっても,位相マップを正確に計算し,ロータコアの位置を推定することができた。
論文参考訳（メタデータ） (2021-09-22T01:22:18Z)
DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
論文参考訳（メタデータ） (2020-05-18T13:13:41Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)
End-to-end semantic segmentation of personalized deep brain structures for non-invasive brain stimulation [2.750124853532831]
経頭蓋直流刺激(TDCS)は、頭皮に付着した電極を介して適用される安価な臨床応用として広く用いられている。解剖学的複雑性と高い物体間変動により,脳の各領域における電場(EF)の量と分布を決定することは困難である。本研究では,脳深部セグメンテーションのための単一エンコーダマルチデコーダ畳み込みニューラルネットワークを提案する。
論文参考訳（メタデータ） (2020-02-13T13:17:25Z)
Simultaneous Skull Conductivity and Focal Source Imaging from EEG Recordings with the help of Bayesian Uncertainty Modelling [77.34726150561087]
本研究では,未知の頭蓋骨伝導率によるソース画像誤差を補正するベイズ近似誤差法に基づく統計的手法を提案する。その結果, 震源位置推定精度と頭蓋骨伝導率の推定精度が向上していることが示唆された。
論文参考訳（メタデータ） (2020-01-31T21:33:56Z)

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。