論文の概要: Automatic Landmarks Correspondence Detection in Medical Images with an Application to Deformable Image Registration

• arxiv url: http://arxiv.org/abs/2109.02722v1
• Date: Mon, 6 Sep 2021 20:16:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-08 14:39:34.585731
• Title: Automatic Landmarks Correspondence Detection in Medical Images with an Application to Deformable Image Registration
• Title（参考訳）: 医用画像の自動ランドマーク対応検出と変形可能な画像登録への応用
• Authors: Monika Grewal, Jan Wiersma, Henrike Westerveld, Peter A. N. Bosman, Tanja Alderliesten
• Abstract要約: DCNN-Matchは、自己教師された方法で3次元画像のランドマーク対応を予測することを学ぶ。 以上の結果より,DCNN-Matchにより予測されるランドマーク対応をシミュレートおよび臨床変形に用いた場合のDIR性能は有意に改善した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deformable Image Registration (DIR) can benefit from additional guidance using corresponding landmarks in the images. However, the benefits thereof are largely understudied, especially due to the lack of automatic detection methods for corresponding landmarks in three-dimensional (3D) medical images. In this work, we present a Deep Convolutional Neural Network (DCNN), called DCNN-Match, that learns to predict landmark correspondences in 3D images in a self-supervised manner. We explored five variants of DCNN-Match that use different loss functions and tested DCNN-Match separately as well as in combination with the open-source registration software Elastix to assess its impact on a common DIR approach. We employed lower-abdominal Computed Tomography (CT) scans from cervical cancer patients: 121 pelvic CT scan pairs containing simulated elastic transformations and 11 pairs demonstrating clinical deformations. Our results show significant improvement in DIR performance when landmark correspondences predicted by DCNN-Match were used in case of simulated as well as clinical deformations. We also observed that the spatial distribution of the automatically identified landmarks and the associated matching errors affect the extent of improvement in DIR. Finally, DCNN-Match was found to generalize well to Magnetic Resonance Imaging (MRI) scans without requiring retraining, indicating easy applicability to other datasets.
• Abstract（参考訳）: 変形可能なイメージ登録(DIR)は、画像内の対応するランドマークを使用して追加のガイダンスの恩恵を受けることができる。 しかし,特に3次元医用画像における対応するランドマークの自動検出方法が欠如していることから,そのメリットはほとんど考慮されていない。 本研究では,DCNN-Matchと呼ばれるディープ畳み込みニューラルネットワーク(Deep Convolutional Neural Network, DCNN)を提案する。 我々は、異なる損失関数を使用するDCNN-Matchの5つの変種を調査し、DCNN-Matchを個別にテストし、オープンソース登録ソフトウェアであるElastixと組み合わせて、共通のDIRアプローチへの影響を評価する。 子宮頸癌患者から下腹部ct検査を施行した。骨盤ctスキャンは121例で弾性変形をシミュレーションし,11例で臨床変化を認めた。 以上の結果より,DCNN-Match が予測するランドマーク対応をシミュレートおよび臨床変形に用いた場合のDIR性能は有意に向上した。 また,自動識別されたランドマークの空間分布とそれに伴う一致誤差は,dirの改善度に影響を及ぼすことがわかった。 最後に、DCNN-Matchは、リトレーニングを必要とせずにMRIスキャンをうまく一般化し、他のデータセットに容易に適用できることが判明した。

関連論文リスト

• SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
  本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。 提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。 科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
  論文  参考訳（メタデータ） (2024-02-27T06:32:56Z)
• X-Ray to CT Rigid Registration Using Scene Coordinate Regression [1.1687067206676627]
  本稿では,極端視点に頑健な完全自動登録手法を提案する。 これは、与えられたX線画像の重なり合う座標を回帰する完全な畳み込みニューラルネットワーク(CNN)に基づいている。 提案手法は, 模擬試験データセットの50パーセンタイルにおける平均平均目標登録誤差(mTRE)を3.79mmとし, ペルビス登録のための実フルオロスコープ画像の50パーセンタイルにおける平均目標登録誤差(mTRE)を9.65mmと予測した。
  論文  参考訳（メタデータ） (2023-11-25T17:48:46Z)
• 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)
• Meta-Learning Initializations for Interactive Medical Image Registration [0.18750851274087482]
  本稿では,臨床応用のための登録,インタラクション,メタラーニングプロトコルを実装した特定のアルゴリズムについて述べる。 少量のサンプルデータを非インタラクティブな方法に適用すると、より高い登録誤差(6.26mm)が得られ、対話型MR-TRUS登録の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T12:30:53Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• ACSGRegNet: A Deep Learning-based Framework for Unsupervised Joint Affine and Diffeomorphic Registration of Lumbar Spine CT via Cross- and Self-Attention Fusion [4.068962439293273]
  本研究では,医用画像登録のためのエンドツーエンドの深層学習フレームワークを提案する。 ACSGRegNetは、画像間特徴対応を確立するクロスアテンションモジュールと、画像内解剖学的構造を認識する自己アテンションモジュールを統合する。 我々の手法は平均Dice 0.963 と平均距離誤差 0.321mm を達成し,SOTA (State-of-the-art) よりも優れている。
  論文  参考訳（メタデータ） (2022-08-04T13:13:48Z)
• 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)
• Unsupervised Image Registration Towards Enhancing Performance and Explainability in Cardiac And Brain Image Analysis [3.5718941645696485]
  モダリティ内およびモダリティ内アフィンおよび非リグイド画像登録は、臨床画像診断において必須の医用画像解析プロセスである。 本稿では、アフィンおよび非剛性変換を正確にモデル化できる教師なしディープラーニング登録手法を提案する。 本手法は,モーダリティ不変の潜在反感を学習するために,双方向のモーダリティ画像合成を行う。
  論文  参考訳（メタデータ） (2022-03-07T12:54:33Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。