論文の概要: Learning the shape of female breasts: an open-access 3D statistical shape model of the female breast built from 110 breast scans

• arxiv url: http://arxiv.org/abs/2107.13463v1
• Date: Wed, 28 Jul 2021 16:14:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 13:57:10.037421
• Title: Learning the shape of female breasts: an open-access 3D statistical shape model of the female breast built from 110 breast scans
• Title（参考訳）: 女性の乳房形状の学習 : 110個の乳房スキャンから構築した女性乳房のオープンアクセス3次元統計的形状モデル
• Authors: Maximilian Weiherer, Andreas Eigenberger, Vanessa Br\'ebant, Lukas Prantl, Christoph Palm
• Abstract要約: レーゲンスバーグ乳形モデル(Regensburg Breast Shape Model, RBSM)は、110個の乳腺スキャンで作られた女性の乳房の3次元統計形状モデルである。 RBSMは胸郭の形状から可能な限り独立して様々な乳房形状を産生することができる。
• 参考スコア（独自算出の注目度）: 5.074812070492739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present the Regensburg Breast Shape Model (RBSM) - a 3D statistical shape model of the female breast built from 110 breast scans, and the first ever publicly available. Together with the model, a fully automated, pairwise surface registration pipeline used to establish correspondence among 3D breast scans is introduced. Our method is computationally efficient and requires only four landmarks to guide the registration process. In order to weaken the strong coupling between breast and thorax, we propose to minimize the variance outside the breast region as much as possible. To achieve this goal, a novel concept called breast probability masks (BPMs) is introduced. A BPM assigns probabilities to each point of a 3D breast scan, telling how likely it is that a particular point belongs to the breast area. During registration, we use BPMs to align the template to the target as accurately as possible inside the breast region and only roughly outside. This simple yet effective strategy significantly reduces the unwanted variance outside the breast region, leading to better statistical shape models in which breast shapes are quite well decoupled from the thorax. The RBSM is thus able to produce a variety of different breast shapes as independently as possible from the shape of the thorax. Our systematic experimental evaluation reveals a generalization ability of 0.17 mm and a specificity of 2.8 mm for the RBSM. Ultimately, our model is seen as a first step towards combining physically motivated deformable models of the breast and statistical approaches in order to enable more realistic surgical outcome simulation.
• Abstract（参考訳）: Regensburg Breast Shape Model (RBSM) は、110個の乳房スキャンで構築した女性の乳房の3次元統計的形状モデルであり、初めて公開された。 このモデルとともに、3d乳房スキャン間の対応を確立するために使用される、完全に自動化されたペアワイズな表面登録パイプラインを導入する。 提案手法は計算効率が高く,登録プロセスの指針となるランドマークは4つしかない。 胸部と胸部との強い結合を弱めるため,乳腺領域外における分散を極力最小化することを提案する。 この目的を達成するために、乳房確率マスク(BPM)と呼ばれる新しい概念が導入された。 bpmは3d乳房スキャンの各ポイントに確率を割り当て、特定のポイントが乳房領域に属する可能性がどの程度あるかを示す。 登録中、私たちはbpmsを使用して、乳房領域内と大まかにのみ、可能な限りターゲットにテンプレートをアライメントします。 この単純で効果的な戦略は乳房領域外における望ましくないばらつきを著しく減少させ、胸部形状が胸部からかなりよく切り離されている統計モデルに繋がる。 したがって、RBSMは胸郭の形状と可能な限り独立して様々な乳房形状を産生することができる。 系統実験の結果, RBSMは0.17mm, 特異性2.8mmの一般化能を示した。 最終的には,より現実的な手術成績シミュレーションを実現するために,乳房の身体的動機付き変形可能なモデルと統計的アプローチを組み合わせるための第一歩と見なされている。

関連論文リスト

• MamT$^4$: Multi-view Attention Networks for Mammography Cancer Classification [0.0]
  この研究は、ベトナムのデジタルマンモグラフィーの独立したテストデータセットにおいて、最初のROC-AUCの84.0$pm$1.7とF1の56.0$pm$1.3を達成した。
  論文  参考訳（メタデータ） (2024-11-03T19:49:52Z)
• Towards Non-invasive and Personalized Management of Breast Cancer Patients from Multiparametric MRI via A Large Mixture-of-Modality-Experts Model [19.252851972152957]
  本稿では,マルチパラメトリックMRI情報を統一構造内に組み込んだMOMEについて報告する。 MOMEは乳癌の正確かつ堅牢な同定を証明した。 BI-RADS 4患者の生検の必要性を7.3%減らし、AUROC0.709で3重陰性乳癌を分類し、AUROC0.694でネオアジュバント化学療法に対する病理学的完全反応を予測することができる。
  論文  参考訳（メタデータ） (2024-08-08T05:04:13Z)
• Binarized 3D Whole-body Human Mesh Recovery [104.13364878565737]
  本研究では, 人体, 顔, 手の3次元パラメータを効率的に推定するために, 両立二重残差ネットワーク (BiDRN) を提案する。 BiDRNは、22.1%のパラメータと14.8%の操作しか使用せず、完全精度のHand4Wholeで同等のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2023-11-24T07:51:50Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• Multi-Head Feature Pyramid Networks for Breast Mass Detection [48.24995569980701]
  本稿では,MHFPN (Multi-head Feature pyramid Module) を提案する。 実験により、SOTA検出ベースラインと比較して、一般的に使用されるInbreastデータセットでは、我々の手法は6.58%(AP@50では6.58%、TPR@50では5.4%(TPR@50では5.4%)の改善が見られた。
  論文  参考訳（メタデータ） (2023-02-22T03:02:52Z)
• High-resolution synthesis of high-density breast mammograms: Application to improved fairness in deep learning based mass detection [48.88813637974911]
  深層学習に基づくコンピュータ支援検出システムは乳癌検出において優れた性能を示した。 高密度の乳房は、高密度の組織がマスを覆ったりシミュレートしたりできるため、検出性能が劣っている。 本研究は,高密度乳房における高密度フルフィールドデジタルマンモグラムを用いた質量検出性能の向上を目的とする。
  論文  参考訳（メタデータ） (2022-09-20T15:57:12Z)
• Breast Cancer Induced Bone Osteolysis Prediction Using Temporal Variational Auto-Encoders [65.95959936242993]
  骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。 乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
  論文  参考訳（メタデータ） (2022-03-20T21:00:10Z)
• A multi-reconstruction study of breast density estimation using Deep Learning [0.9449650062296825]
  乳房密度推定はスクリーニング試験で行う重要な課題の1つである。 乳房密度推定のためのディープラーニング研究は、ニューラルネットワークのトレーニングに単一のモダリティのみを使用する。 本稿では,全てのモダリティを一度にトレーニングしたニューラルネットワークが,単一モダリティでトレーニングしたニューラルネットワークよりも優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2022-02-16T18:34:08Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Deep-LIBRA: Artificial intelligence method for robust quantification of breast density with independent validation in breast cancer risk assessment [2.0369879867185143]
  現在の連邦法では、乳房検診中の女性全員の乳房密度の報告を義務付けている。 本稿では,デジタルマンモグラムから乳房比密度(PD)を推定する人工知能(AI)手法を提案する。
  論文  参考訳（メタデータ） (2020-11-13T15:21:17Z)
• Automatic lesion detection, segmentation and characterization via 3D multiscale morphological sifting in breast MRI [3.4400216692203998]
  そこで本研究では, 乳房MRIで4次元マルチモーダル乳房MRIデータを処理し, 病変検出, セグメンテーション, キャラクタリゼーションをユーザの介入なしに統合するシステムを提案する。 提案するCADシステムは,領域候補生成,特徴抽出,領域候補分類の3段階からなる。 同じ乳房MRIデータセットで評価したシステムと比較すると,本システムは乳房病変の検出と評価において良好な性能を発揮する。
  論文  参考訳（メタデータ） (2020-07-07T04:39:13Z)

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。