論文の概要: Unsupervised Landmark Detection Based Spatiotemporal Motion Estimation
for 4D Dynamic Medical Images
- arxiv url: http://arxiv.org/abs/2109.14805v1
- Date: Thu, 30 Sep 2021 02:06:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 14:42:55.352255
- Title: Unsupervised Landmark Detection Based Spatiotemporal Motion Estimation
for 4D Dynamic Medical Images
- Title(参考訳): 教師なしランドマーク検出による4次元動画像の時空間運動推定
- Authors: Yuyu Guo, Lei Bi, Dongming Wei, Liyun Chen, Zhengbin Zhu, Dagan Feng,
Ruiyan Zhang, Qian Wang and Jinman Kim
- Abstract要約: 2段階からなるDense-Sparse-Dense (DSD) の新たな動き推定フレームワークを提案する。
第1段階では, 対象臓器解剖学的トポロジーを表すために, 粗いランドマークを抽出するために, 生の高密度画像を処理する。
第2段階では、異なる時間点の2つの画像の抽出されたスパースランドマークからスパース運動変位を導出する。
- 参考スコア(独自算出の注目度): 16.759486905827433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion estimation is a fundamental step in dynamic medical image processing
for the assessment of target organ anatomy and function. However, existing
image-based motion estimation methods, which optimize the motion field by
evaluating the local image similarity, are prone to produce implausible
estimation, especially in the presence of large motion. In this study, we
provide a novel motion estimation framework of Dense-Sparse-Dense (DSD), which
comprises two stages. In the first stage, we process the raw dense image to
extract sparse landmarks to represent the target organ anatomical topology and
discard the redundant information that is unnecessary for motion estimation.
For this purpose, we introduce an unsupervised 3D landmark detection network to
extract spatially sparse but representative landmarks for the target organ
motion estimation. In the second stage, we derive the sparse motion
displacement from the extracted sparse landmarks of two images of different
time points. Then, we present a motion reconstruction network to construct the
motion field by projecting the sparse landmarks displacement back into the
dense image domain. Furthermore, we employ the estimated motion field from our
two-stage DSD framework as initialization and boost the motion estimation
quality in light-weight yet effective iterative optimization. We evaluate our
method on two dynamic medical imaging tasks to model cardiac motion and lung
respiratory motion, respectively. Our method has produced superior motion
estimation accuracy compared to existing comparative methods. Besides, the
extensive experimental results demonstrate that our solution can extract well
representative anatomical landmarks without any requirement of manual
annotation. Our code is publicly available online.
- Abstract(参考訳): 運動推定は、対象臓器解剖と機能を評価するためのダイナミックな医療画像処理の基本的なステップである。
しかし, 局所的な画像類似性を評価することで運動場を最適化する既存の画像に基づく動き推定手法は, 特に大きな動きの存在下では, 目立たない推定を生じやすい。
本研究では,2段階からなるDense-Sparse-Dense(DSD)の新たな動き推定フレームワークを提案する。
第1段階では、生の高密度画像を処理して、ターゲットの臓器解剖学的トポロジーを表すスパースランドマークを抽出し、動作推定に不要な冗長な情報を破棄する。
そこで本研究では,対象臓器の動き推定のための空間的に疎いが代表的ランドマークを抽出する,教師なし3次元ランドマーク検出ネットワークを提案する。
第2段階では、異なる時間点の2つの画像の抽出されたスパースランドマークからスパース運動変位を導出する。
次に,画像領域にばらばらなランドマークの変位を投影し,動き場を構築する動き再構成ネットワークを提案する。
さらに,2段階dsdフレームワークから推定された動き場を初期化として活用し,軽量かつ効果的な反復最適化における動き推定品質を高める。
心臓運動と肺呼吸運動をそれぞれモデル化する2つの動的医用イメージングタスクについて検討した。
本手法は, 既存の比較手法と比較して, 運動推定精度が優れる。
さらに, 広範な実験結果から, 手動アノテーションを必要とせず, 適切に代表された解剖学的ランドマークを抽出できることを示した。
私たちのコードはオンラインで公開されている。
関連論文リスト
- DeepMesh: Mesh-based Cardiac Motion Tracking using Deep Learning [13.289561121562057]
心臓機能評価と心血管疾患の診断には,CMR画像からの3次元運動推定が重要である。
本研究では,心内膜および心内膜からなる3次元メッシュとして心臓をモデル化する。
本稿では,テンプレート型心臓メッシュを対象空間に伝播させる新しい学習フレームワークDeepMeshを提案し,各被験者のCMR画像から心臓メッシュの3次元運動を推定する。
論文 参考訳(メタデータ) (2023-09-25T17:24:18Z) - Mesh-based 3D Motion Tracking in Cardiac MRI using Deep Learning [11.177851736773823]
心臓機能評価と心血管疾患の診断には, 心臓磁気共鳴(CMR)画像からの3次元運動推定が重要である。
従来の手法のほとんどは、フルイメージ空間における画素/ボクセルの運動場の推定に重点を置いていた。
本研究では、心臓を3次元幾何メッシュとしてモデル化し、2次元短軸CMR画像から心臓メッシュの3次元運動を推定できる新しいディープラーニングベースの手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T15:10:27Z) - Koopman pose predictions for temporally consistent human walking
estimations [11.016730029019522]
そこで我々は,下肢運動の非線形ダイナミクスを組み込んだクープマン理論に基づく新しい因子グラフ因子を提案する。
以上の結果から,本手法は骨格形状の外れ率を約1m削減し,自然歩行軌跡を最大10m以上保存できることが示唆された。
論文 参考訳(メタデータ) (2022-05-05T16:16:06Z) - Neural Computed Tomography [1.7188280334580197]
一連のプロジェクションの取得時の運動は、CT再構成において重要な運動アーティファクトにつながる可能性がある。
動作成果物から解放された時間分解画像を生成するための新しい再構成フレームワークであるNeuralCTを提案する。
論文 参考訳(メタデータ) (2022-01-17T18:50:58Z) - MoCaNet: Motion Retargeting in-the-wild via Canonicalization Networks [77.56526918859345]
そこで本研究では,制御された環境から3次元動作タスクを実現する新しいフレームワークを提案する。
モーションキャプチャシステムや3D再構成手順を使わずに、2Dモノクロ映像のキャラクタから3Dキャラクタへの体動を可能にする。
論文 参考訳(メタデータ) (2021-12-19T07:52:05Z) - Attentive and Contrastive Learning for Joint Depth and Motion Field
Estimation [76.58256020932312]
単眼視システムからシーンの3次元構造とともにカメラの動きを推定することは複雑な作業である。
モノクロ映像からの3次元物体運動場推定のための自己教師付き学習フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-13T16:45:01Z) - Inertial Measurements for Motion Compensation in Weight-bearing
Cone-beam CT of the Knee [6.7461735822055715]
膝のCTスキャン中の不随意運動は、再建されたボリュームのアーティファクトを引き起こすため、臨床診断には使用できない。
被験者の脚に慣性測定装置(IMU)を装着し,スキャン中の運動を測定する。
論文 参考訳(メタデータ) (2020-07-09T09:26:27Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳(メタデータ) (2020-06-28T21:03:19Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳(メタデータ) (2020-06-18T09:49:11Z) - A Deep Learning Approach for Motion Forecasting Using 4D OCT Data [69.62333053044712]
我々は,OCTボリュームのストリームを用いたエンド・ツー・エンド動作予測と推定のための4次元時間深度学習を提案する。
提案手法は,全体の平均相関97.41%の動作予測を実現するとともに,従来の3D手法と比較して2.5倍の動作推定性能を向上する。
論文 参考訳(メタデータ) (2020-04-21T15:59:53Z) - Spatio-Temporal Deep Learning Methods for Motion Estimation Using 4D OCT
Image Data [63.73263986460191]
特定の対象領域の局所化と運動の推定は、外科的介入の際のナビゲーションの一般的な問題である。
OCT画像ボリュームの時間的ストリームを用いることで、深層学習に基づく動き推定性能が向上するかどうかを検討する。
モデル入力に4D情報を使用すると、合理的な推論時間を維持しながら性能が向上する。
論文 参考訳(メタデータ) (2020-04-21T15:43:01Z)
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。