論文の概要: A Deep Learning Localization Method for Measuring Abdominal Muscle
Dimensions in Ultrasound Images
- arxiv url: http://arxiv.org/abs/2109.14919v1
- Date: Thu, 30 Sep 2021 08:36:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-02 00:55:07.416210
- Title: A Deep Learning Localization Method for Measuring Abdominal Muscle
Dimensions in Ultrasound Images
- Title（参考訳）: 超音波画像における腹部筋次元測定のための深層学習法
- Authors: Alzayat Saleh, Issam H. Laradji, Corey Lammie, David Vazquez, Carol A
Flavell, and Mostafa Rahimi Azghadi
- Abstract要約: 腰痛(LBP)患者に対する2次元(2D)超音波像を用いて, 腹筋次元を計測し, 治療計画の作成と診断に有用である。
可変性が高いため、サーバ内の信頼性を低くするためには、専門的な訓練を受けた熟練した専門家が測定を行う必要がある。
本稿では,2次元US画像の腹部筋厚測定を自動化するために,Deep Learning (DL) アプローチを用いる。
- 参考スコア（独自算出の注目度）: 2.309018557701645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Health professionals extensively use Two- Dimensional (2D) Ultrasound (US)
videos and images to visualize and measure internal organs for various purposes
including evaluation of muscle architectural changes. US images can be used to
measure abdominal muscles dimensions for the diagnosis and creation of
customized treatment plans for patients with Low Back Pain (LBP), however, they
are difficult to interpret. Due to high variability, skilled professionals with
specialized training are required to take measurements to avoid low
intra-observer reliability. This variability stems from the challenging nature
of accurately finding the correct spatial location of measurement endpoints in
abdominal US images. In this paper, we use a Deep Learning (DL) approach to
automate the measurement of the abdominal muscle thickness in 2D US images. By
treating the problem as a localization task, we develop a modified Fully
Convolutional Network (FCN) architecture to generate blobs of coordinate
locations of measurement endpoints, similar to what a human operator does. We
demonstrate that using the TrA400 US image dataset, our network achieves a Mean
Absolute Error (MAE) of 0.3125 on the test set, which almost matches the
performance of skilled ultrasound technicians. Our approach can facilitate next
steps for automating the process of measurements in 2D US images, while
reducing inter-observer as well as intra-observer variability for more
effective clinical outcomes.
- Abstract（参考訳）: 健康専門家は2次元超音波(us)ビデオと画像を使用して、筋肉の構造変化の評価を含む様々な目的のために内臓器を可視化し測定する。
アメリカの画像は、低腰痛(lbp)患者の治療計画の診断と作成のために腹部の筋肉の寸法を測定するのに使用できるが、解釈は困難である。
高い変動性のため、専門訓練を受けた熟練した専門家は、オブザーバー内の信頼性の低下を避けるために測定を行う必要がある。
この変動性は、腹部us画像における測定エンドポイントの正確な空間的位置を正確に見つけるという困難な性質に由来する。
本稿では,2次元us画像における腹部筋厚測定の自動化のために,deep learning (dl) アプローチを用いた。
この問題をローカライズタスクとして扱うことで,人間の操作と同じような計測エンドポイントの座標位置のブロブを生成するために,FCN (Fully Convolutional Network) アーキテクチャを改良した。
tra400 us画像データセットを用いて,テストセット上で平均絶対誤差(mae)を0.3125とし,熟練超音波技術者の性能にほぼ匹敵することを示した。
提案手法は,2次元US画像における計測プロセスを自動化するための次のステップを容易にするとともに,より効果的な臨床結果を得るために,オブザーバ間の変動を低減できる。
関連論文リスト
- Vascular Segmentation of Functional Ultrasound Images using Deep Learning [0.0]
機能的超音波(fUS)画像のための,最初のディープラーニングベースセグメンテーションツールを紹介する。
競合セグメンテーション性能を90%の精度で達成し、71%の堅牢性と0.59のIUをfUSスタックから100フレームの時間フレームで実現した。
この研究は、ローカライゼーション顕微鏡に代わる非侵襲的で費用効果の高い代替手段を提供し、fUSデータの解釈を強化し、血管機能の理解を改善している。
論文 参考訳（メタデータ） (2024-10-28T09:00:28Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - Deep Regression 2D-3D Ultrasound Registration for Liver Motion Correction in Focal Tumor Thermal Ablation [5.585625844344932]
肝腫瘍のアブレーションは, 腫瘍中心部における針の塗布を正確に行う必要がある。
画像登録技術は、解剖学的詳細の解釈や腫瘍の同定に有効であるが、その臨床応用は、アライメント精度と実行時のパフォーマンスのトレードオフによって妨げられている。
肝運動によるエラーを軽減できる2D-3DUSレジストレーション手法を提案する。
論文 参考訳（メタデータ） (2024-10-03T15:24:45Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Redefining the Laparoscopic Spatial Sense: AI-based Intra- and
Postoperative Measurement from Stereoimages [3.2039076408339353]
立体視を用いた腹腔鏡計測のための人体AIを用いた新しい手法を開発した。
本研究は, 総合的質的要件分析に基づいて, 包括的測定法を提案する。
提案手法が1mm以下の誤差で精度の高い距離測定を実現する可能性について概説した。
論文 参考訳（メタデータ） (2023-11-16T10:19:04Z) - 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) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳（メタデータ） (2021-10-12T21:22:24Z) - Deep Lesion Tracker: Monitoring Lesions in 4D Longitudinal Imaging
Studies [19.890200389017213]
深部病変追跡器(DLT)は、外観と解剖学的信号の両方を使用するディープラーニングアプローチです。
我々は,公開deeplesionデータベースから3891個の病巣対からなる最初の病巣追跡ベンチマークをリリースする。
dltは100の縦断研究の外部臨床検査セットをよく一般化し、88%の精度を達成する。
論文 参考訳（メタデータ） (2020-12-09T05:23:46Z) - 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) - Uncertainty Estimation in Deep 2D Echocardiography Segmentation [0.2062593640149623]
トレーニングデータからさらに離れた分布から来るデータをテストする場合、不確実性推定は重要である。
品質の悪い画像を自動的に拒否し、最先端のセグメンテーション結果を改善するために、不確実性推定がどのように用いられるかを示す。
論文 参考訳（メタデータ） (2020-05-19T10:19:23Z)
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。