論文の概要: Searching Collaborative Agents for Multi-plane Localization in 3D
Ultrasound
- arxiv url: http://arxiv.org/abs/2105.10626v1
- Date: Sat, 22 May 2021 02:48:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 14:50:42.478594
- Title: Searching Collaborative Agents for Multi-plane Localization in 3D
Ultrasound
- Title(参考訳): 3次元超音波による多面定位のための協調エージェントの探索
- Authors: Xin Yang, Yuhao Huang, Ruobing Huang, Haoran Dou, Rui Li, Jikuan Qian,
Xiaoqiong Huang, Wenlong Shi, Chaoyu Chen, Yuanji Zhang, Haixia Wang, Yi
Xiong, Dong Ni
- Abstract要約: 3D超音波は複数の標準平面(SP)を1枚のショットに収めることができる。
3D USにおける手動SPのローカライゼーションは、画像品質が低く、検索スペースが大きく、解剖学的変動が大きいため、難しい。
3DUSで複数のSPを同時にローカライズするマルチエージェント強化学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 15.573821037925143
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: 3D ultrasound (US) has become prevalent due to its rich spatial and
diagnostic information not contained in 2D US. Moreover, 3D US can contain
multiple standard planes (SPs) in one shot. Thus, automatically localizing SPs
in 3D US has the potential to improve user-independence and
scanning-efficiency. However, manual SP localization in 3D US is challenging
because of the low image quality, huge search space and large anatomical
variability. In this work, we propose a novel multi-agent reinforcement
learning (MARL) framework to simultaneously localize multiple SPs in 3D US. Our
contribution is four-fold. First, our proposed method is general and it can
accurately localize multiple SPs in different challenging US datasets. Second,
we equip the MARL system with a recurrent neural network (RNN) based
collaborative module, which can strengthen the communication among agents and
learn the spatial relationship among planes effectively. Third, we explore to
adopt the neural architecture search (NAS) to automatically design the network
architecture of both the agents and the collaborative module. Last, we believe
we are the first to realize automatic SP localization in pelvic US volumes, and
note that our approach can handle both normal and abnormal uterus cases.
Extensively validated on two challenging datasets of the uterus and fetal
brain, our proposed method achieves the average localization accuracy of 7.03
degrees/1.59mm and 9.75 degrees/1.19mm. Experimental results show that our
light-weight MARL model has higher accuracy than state-of-the-art methods.
- Abstract(参考訳): 3D超音波(US)は, 2D USに含まれない空間情報や診断情報が豊富であることから普及している。
さらに、3D USは複数の標準平面(SP)を1枚のショットに収めることができる。
したがって、3D USにおけるSPの自動ローカライズは、ユーザ独立性とスキャニング効率を向上させる可能性がある。
しかし、3D USにおける手動SPローカライゼーションは、画像品質が低く、検索スペースが大きく、解剖学的変動が大きいため困難である。
本研究では、3D USで複数のSPを同時にローカライズする新しいマルチエージェント強化学習(MARL)フレームワークを提案する。
私たちの貢献は4倍です。
まず,提案手法は汎用的であり,複数のSPを米国内の異なるデータセットに正確にローカライズすることができる。
次に,エージェント間のコミュニケーションを強化し,平面間の空間関係を効果的に学習するrecurrent neural network(rnn)ベースの協調モジュールをmarlシステムに適用する。
第3に,エージェントと協調モジュールのネットワークアーキテクチャを自動設計するために,ニューラルネットワーク検索(nas)を採用することを検討する。
最後に,我々は骨盤usボリュームにおけるspの自動局在化を初めて実現し,正常例と異常例の両方にアプローチできることに留意した。
提案手法は, 子宮と胎児脳の2つの難解なデータセット上で広く検証され, 平均定位精度は7.03°/1.59mm, 9.75°/1.19mmであった。
実験の結果, 軽量marlモデルは最先端手法よりも精度が高いことがわかった。
関連論文リスト
- GSPR: Multimodal Place Recognition Using 3D Gaussian Splatting for Autonomous Driving [9.023864430027333]
マルチモーダル位置認識は ユニセンサーシステムの弱点を克服する能力によって 注目を集めています
本稿では,GSPRと呼ばれる3次元ガウス型マルチモーダル位置認識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) (2024-10-01T00:43:45Z) - MMScan: A Multi-Modal 3D Scene Dataset with Hierarchical Grounded Language Annotations [55.022519020409405]
本稿では,マルチモーダルな3Dシーンデータセットと階層型言語アノテーションを用いたベンチマーク,MMScanを構築した。
結果として得られたマルチモーダルな3Dデータセットは、109kオブジェクトと7.7kリージョン上の1.4Mメタアノテーション付きキャプションと、3Dビジュアルグラウンドと質問応答ベンチマークのための3.04M以上の多様なサンプルを含んでいる。
論文 参考訳(メタデータ) (2024-06-13T17:59:30Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-01T10:10:46Z) - Agent with Tangent-based Formulation and Anatomical Perception for
Standard Plane Localization in 3D Ultrasound [56.7645826576439]
3D USにおけるSP自動位置決めのための新しい強化学習フレームワークを提案する。
まず、RLにおける接点に基づく問題として、3D USにおけるSP局所化を定式化し、作用空間を再構成する。
第2に、平面探索における非SPとSPの交差する微妙な違いを認識するモデルの能力を高めるための補助的タスク学習戦略を設計する。
論文 参考訳(メタデータ) (2022-07-01T14:53:27Z) - Agent with Warm Start and Adaptive Dynamic Termination for Plane
Localization in 3D Ultrasound [14.256624552635786]
本研究は, エージェント探索の早期停止を可能にするために, 適応動的終端を新たに設計し, 従来のRLフレームワークを強化した。
2.52mm/10.26度,2.48mm/10.39度,2.02mm/10.48度,2.00mm/14.57度,2.61mm/9.71度,3.9mm/9.58度,1.49mm/7.54度,胎児脳内,腹腔内,子宮中,横,冠状面の局在誤差を実現する。
論文 参考訳(メタデータ) (2021-03-26T14:57:26Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳(メタデータ) (2021-01-14T03:45:01Z) - Searching Collaborative Agents for Multi-plane Localization in 3D
Ultrasound [59.97366727654676]
3D超音波(US)はその豊富な診断情報、可搬性、低コストのために広く用いられている。
米国における標準平面(SP)のローカライゼーションは,効率の向上とユーザ依存の低減だけでなく,米国における3D解釈の促進にも寄与する。
本稿では,複数の子宮SPを同時に3D USにローカライズするマルチエージェント強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-30T07:23:55Z) - Agent with Warm Start and Active Termination for Plane Localization in
3D Ultrasound [56.14006424500334]
超音波(US)診断には標準面の局在が不可欠である。
出生前のアメリカでは、何十もの標準的な飛行機が手動で2Dプローブで取得される。
胎児脳標準平面を3DUSで自動的に局所化するための新しい強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2019-10-10T02:21:52Z)
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。