論文の概要: Automatic Plane Adjustment of Orthopedic Intra-operative Flat Panel Detector CT-Volumes

• arxiv url: http://arxiv.org/abs/2109.10731v1
• Date: Wed, 15 Sep 2021 11:25:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-26 22:32:31.673599
• Title: Automatic Plane Adjustment of Orthopedic Intra-operative Flat Panel Detector CT-Volumes
• Title（参考訳）: 整形外科的術中平板検出装置CT-Volume の自動面調整
• Authors: Celia Martin Vicario, Florian Kordon, Felix Denzinger, Jan Siad El Barbari, Maxim Privalov, Jochen Franke, Sarina Thomas, Lisa Kausch, Andreas Maier, Holger Kunze
• Abstract要約: 整形外科手術の結果を評価するために3D取得がしばしば行われる。 手術室の設定のため、取得したボリュームは解剖学的領域に整列する。 本稿では,MPR平面のパラメータを推定するために,マルチタスク学習(MTL)回帰ネットワークについて詳細に検討する。
• 参考スコア（独自算出の注目度）: 4.283630256997887
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose 3D acquisitions are often acquired to assess the result in orthopedic trauma surgery. With a mobile C-Arm system, these acquisitions can be performed intra-operatively. That reduces the number of required revision surgeries. However, due to the operation room setup, the acquisitions typically cannot be performed such that the acquired volumes are aligned to the anatomical regions. Thus, the multiplanar reconstructed (MPR) planes need to be adjusted manually during the review of the volume. In this paper, we present a detailed study of multi-task learning (MTL) regression networks to estimate the parameters of the MPR planes. Approach First, various mathematical descriptions for rotation, including Euler angle, quaternion, and matrix representation, are revised. Then, three different MTL network architectures based on the PoseNet are compared with a single task learning network. Results Using a matrix description rather than the Euler angle description, the accuracy of the regressed normals improves from $7.7^{\circ}$ to $7.3^{\circ}$ in the mean value for single anatomies. The multi-head approach improves the regression of the plane position from $7.4mm$ to $6.1mm$, while the orientation does not benefit from this approach. Conclusions The results show that a multi-head approach can lead to slightly better results than the individual tasks networks. The most important benefit of the MTL approach is that it is a single network for standard plane regression for all body regions with a reduced number of stored parameters.
• Abstract（参考訳）: 目的3d取得は、整形外科手術の結果を評価するためにしばしば取得される。 移動式C-Armシステムでは,これらの取得を術中行うことができる。 これにより、必要な修正手術の数を削減できる。 しかし、手術室の設置により、取得したボリュームが解剖学的領域に整列するように取得を行うことができないのが一般的である。 したがって、MPR(Multiplanar Restructed)平面は、ボリュームのレビュー中に手動で調整する必要がある。 本稿では,MPR平面のパラメータを推定するために,マルチタスク学習(MTL)回帰ネットワークを詳細に検討する。 アプローチ まず、ユーラー角、四元数、行列表現を含む回転に関する様々な数学的記述を改訂する。 次に、ポーゼネットに基づく3つの異なるmtlネットワークアーキテクチャを1つのタスク学習ネットワークと比較する。 その結果、ユーラー角の記述よりも行列記述を用いることで、回帰正規値の精度は7.7^{\circ}$から7.3^{\circ}$へと改善され、単一の解剖学の平均値となる。 マルチヘッドアプローチは、平面位置の回帰を7.4mm$から6.1mm$に改善するが、指向性はこのアプローチの恩恵を受けない。 結論 マルチヘッドアプローチは個々のタスクネットワークよりもわずかに優れた結果をもたらす可能性がある。 MTLアプローチの最も重要な利点は、保存されたパラメータの少ない全身体領域の標準平面回帰のための単一のネットワークであることである。

関連論文リスト

• DARES: Depth Anything in Robotic Endoscopic Surgery with Self-supervised Vector-LoRA of the Foundation Model [17.41557655783514]
  ロボット内視鏡手術(DARES)におけるDepth Anythingの導入 DAM V2における新しい適応手法であるローランド適応(LoRA)は、自己教師付き単眼深度推定を行う。 近年の最先端の自己監督型単分子深度推定法よりも, 新たな手法が優れていることが検証された。
  論文  参考訳（メタデータ） (2024-08-30T17:35:06Z)
• 360 Layout Estimation via Orthogonal Planes Disentanglement and Multi-view Geometric Consistency Perception [56.84921040837699]
  既存のパノラマ配置推定ソリューションは、垂直圧縮されたシーケンスから部屋の境界を復元し、不正確な結果をもたらす傾向にある。 そこで本稿では,直交平面不整合ネットワーク(DOPNet)を提案し,あいまいな意味論を識別する。 また,水平深度と比表現に適した教師なし適応手法を提案する。 本手法は,単分子配置推定と多視点レイアウト推定の両タスクにおいて,他のSoTAモデルよりも優れる。
  論文  参考訳（メタデータ） (2023-12-26T12:16:03Z)
• Benefits of mirror weight symmetry for 3D mesh segmentation in biomedical applications [0.0]
  3Dメッシュセグメンテーションは多くのバイオメディカル応用において重要な課題である。 3次元メッシュセグメンテーションを行うニューラルネットワークにおける重み対称性の影響を示す。
  論文  参考訳（メタデータ） (2023-09-29T09:10:58Z)
• MEPNet: A Model-Driven Equivariant Proximal Network for Joint Sparse-View Reconstruction and Metal Artifact Reduction in CT Images [29.458632068296854]
  我々はMEPNetと呼ばれるモデル駆動の同変近似ネットワークを提案する。 MEPNetは最適化に着想を得ており、明確な動作メカニズムを持っている。 コードをurlhttps://github.com/hongwang01/MEPNetでリリースします。
  論文  参考訳（メタデータ） (2023-06-25T15:50:11Z)
• 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)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• Hepatic vessel segmentation based on 3Dswin-transformer with inductive biased multi-head self-attention [46.46365941681487]
  Indu BIased Multi-Head Attention Vessel Net という,堅牢なエンドツーエンドのコンテナセグメンテーションネットワークを提案する。 正確な肝血管のボクセルを見つけるために,パッチワイド埋め込みよりもボクセルワイド埋め込みを導入する。 一方,絶対位置埋め込みから帰納的バイアス付き相対的位置埋め込みを学習する帰納的バイアス付きマルチヘッド自己アテンションを提案する。
  論文  参考訳（メタデータ） (2021-11-05T10:17:08Z)
• Exploiting Adam-like Optimization Algorithms to Improve the Performance of Convolutional Neural Networks [82.61182037130405]
  勾配降下(SGD)は深いネットワークを訓練するための主要なアプローチです。 本研究では,現在と過去の勾配の違いに基づいて,Adamに基づく変分を比較する。 resnet50を勾配降下訓練したネットワークのアンサンブルと融合実験を行った。
  論文  参考訳（メタデータ） (2021-03-26T18:55:08Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)
• Augmented Parallel-Pyramid Net for Attention Guided Pose-Estimation [90.28365183660438]
  本稿では、注意部分モジュールと微分可能な自動データ拡張を備えた拡張並列ピラミドネットを提案する。 我々は、データ拡張のシーケンスをトレーニング可能なCNNコンポーネントとして定式化する新しいポーズ検索空間を定義する。 特に,本手法は,挑戦的なCOCOキーポイントベンチマークとMPIIデータセットの最先端結果において,トップ1の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-17T03:52:17Z)

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。