論文の概要: DeepSSM: A Blueprint for Image-to-Shape Deep Learning Models
- arxiv url: http://arxiv.org/abs/2110.07152v1
- Date: Thu, 14 Oct 2021 04:52:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 13:25:40.733162
- Title: DeepSSM: A Blueprint for Image-to-Shape Deep Learning Models
- Title（参考訳）: DeepSSM: 画像から形状のディープラーニングモデルのための青写真
- Authors: Riddhish Bhalodia, Shireen Elhabian, Jadie Adams, Wenzheng Tao,
Ladislav Kavan, Ross Whitaker
- Abstract要約: 統計的形状モデリング(SSM)は、医学画像から生成される形状の個体群における解剖学的変異を特徴付ける。
DeepSSMは、ディープラーニングベースのイメージ・トゥ・シェイプモデルのための青写真を提供することを目指している。
- 参考スコア（独自算出の注目度）: 4.608133071225539
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical shape modeling (SSM) characterizes anatomical variations in a
population of shapes generated from medical images. SSM requires consistent
shape representation across samples in shape cohort. Establishing this
representation entails a processing pipeline that includes anatomy
segmentation, re-sampling, registration, and non-linear optimization. These
shape representations are then used to extract low-dimensional shape
descriptors that facilitate subsequent analyses in different applications.
However, the current process of obtaining these shape descriptors from imaging
data relies on human and computational resources, requiring domain expertise
for segmenting anatomies of interest. Moreover, this same taxing pipeline needs
to be repeated to infer shape descriptors for new image data using a
pre-trained/existing shape model. Here, we propose DeepSSM, a deep
learning-based framework for learning the functional mapping from images to
low-dimensional shape descriptors and their associated shape representations,
thereby inferring statistical representation of anatomy directly from 3D
images. Once trained using an existing shape model, DeepSSM circumvents the
heavy and manual pre-processing and segmentation and significantly improves the
computational time, making it a viable solution for fully end-to-end SSM
applications. In addition, we introduce a model-based data-augmentation
strategy to address data scarcity. Finally, this paper presents and analyzes
two different architectural variants of DeepSSM with different loss functions
using three medical datasets and their downstream clinical application.
Experiments showcase that DeepSSM performs comparably or better to the
state-of-the-art SSM both quantitatively and on application-driven downstream
tasks. Therefore, DeepSSM aims to provide a comprehensive blueprint for deep
learning-based image-to-shape models.
- Abstract（参考訳）: 統計的形状モデリング(SSM)は、医学画像から生成される形状の集団の解剖学的変異を特徴付ける。
SSMは、形状コホート中のサンプル間の一貫した形状表現を必要とする。
この表現を確立するには、解剖学のセグメンテーション、再サンプリング、登録、非線形最適化を含む処理パイプラインが含まれる。
これらの形状表現は、異なる用途におけるその後の分析を容易にする低次元形状記述子を抽出するために使われる。
しかし、画像データからこれらの形状記述子を取得する現在のプロセスは、人間と計算資源に依存しており、関心のある解剖学を分割するのにドメインの専門知識を必要とする。
さらに、トレーニング済み/既存の形状モデルを使用して、新しい画像データに対して形状記述子を推論するために、この同じ課税パイプラインを繰り返す必要がある。
本稿では,画像から低次元形状記述子およびそれに関連する形状表現への機能マッピングを学習する深層学習に基づくフレームワークであるdeepssmを提案する。
既存の形状モデルを用いてトレーニングしたDeepSSMは、重くて手動の事前処理とセグメンテーションを回避し、計算時間を大幅に改善し、完全なエンドツーエンドのSSMアプリケーションに実行可能なソリューションとなる。
さらに,データ不足に対処するためのモデルベースデータ提供戦略を提案する。
最後に, 3つの医療データセットと下流臨床応用を用いて, 損失機能が異なる2種類のdeepssmのアーキテクチャ的変種を提示し, 解析した。
実験では、deepssmが定量的およびアプリケーション駆動のダウンストリームタスクの両方において、最先端のssmと同等またはそれ以上のパフォーマンスを示す。
したがって、DeepSSMはディープラーニングベースのイメージ・ツー・シェイプモデルのための包括的な青写真を提供することを目指している。
関連論文リスト
- ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。
5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
論文 参考訳（メタデータ） (2024-08-26T08:59:22Z) - Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。
本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
論文 参考訳（メタデータ） (2024-05-23T09:13:36Z) - MASSM: An End-to-End Deep Learning Framework for Multi-Anatomy Statistical Shape Modeling Directly From Images [1.9029890402585894]
複数の解剖を同時にローカライズし、人口レベルの統計表現を推定し、画像空間内での形状表現を直接記述する新しいエンドツーエンドディープラーニングフレームワークであるMASSMを紹介する。
以上の結果から,マルチタスクネットワークを介して画像空間の解剖を記述し,複数の解剖処理を行うMASSMは,医用画像処理タスクのセグメンテーションネットワークよりも優れた形状情報を提供することがわかった。
論文 参考訳（メタデータ） (2024-03-16T20:16:37Z) - Progressive DeepSSM: Training Methodology for Image-To-Shape Deep Models [4.972323953932128]
本稿では,画像から画像への深層学習モデルをトレーニングするための新しいトレーニング戦略であるプログレッシブディープSSMを提案する。
セグメンテーション誘導型マルチタスク学習を通じて形状先を活用でき、各スケールでの学習を確保するために深い監視損失を生かす。
実験は、定量的および定性的な観点から提案された戦略によって訓練されたモデルの優越性を示す。
論文 参考訳（メタデータ） (2023-10-02T18:17:20Z) - ADASSM: Adversarial Data Augmentation in Statistical Shape Models From
Images [0.8192907805418583]
本稿では,データ依存型ノイズ生成やテクスチャ拡張を利用して,画像間SSMフレームワークのオンザフライデータ拡張のための新しい戦略を提案する。
提案手法は,画素値のみに頼らず,基礎となる幾何学に焦点をあてることにより,精度の向上を実現する。
論文 参考訳（メタデータ） (2023-07-06T20:21:12Z) - Image2SSM: Reimagining Statistical Shape Models from Images with Radial
Basis Functions [4.422330219605964]
統計的形状モデリングのための新しい深層学習手法であるImage2SSMを提案する。
Image2SSMは、画像から直接形状の放射基底関数(RBF)に基づく表現を学習する。
解剖学的形状のアンサンブルの統計的ランドマークに基づく形状モデルを構築することにより、生物学的構造の個体群を特徴付けることができる。
論文 参考訳（メタデータ） (2023-05-19T18:08:10Z) - Leveraging Unsupervised Image Registration for Discovery of Landmark
Shape Descriptor [5.40076482533193]
本稿では,画像からランドマークを発見するための自己教師型深層学習手法を提案する。
我々は、ランドマーク駆動のイメージ登録を主要なタスクとして使用し、ニューラルネットワークにイメージを適切に登録するランドマークを見つけるように強制する。
提案手法は分割と前処理を回避し、2D画像や3D画像のみを用いて使用可能な形状記述子を直接生成する。
論文 参考訳（メタデータ） (2021-11-13T01:02:10Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - Shape My Face: Registering 3D Face Scans by Surface-to-Surface
Translation [75.59415852802958]
Shape-My-Face (SMF) は、改良されたポイントクラウドエンコーダ、新しい視覚的注意機構、スキップ接続付きグラフ畳み込みデコーダ、特殊口モデルに基づく強力なエンコーダデコーダアーキテクチャである。
私たちのモデルは、トポロジカルにサウンドメッシュを最小限の監視で提供し、より高速なトレーニング時間を提供し、訓練可能なパラメータを桁違いに減らし、ノイズに強く、以前は見られないデータセットに一般化することができます。
論文 参考訳（メタデータ） (2020-12-16T20:02:36Z) - Learning Deformable Image Registration from Optimization: Perspective,
Modules, Bilevel Training and Beyond [62.730497582218284]
マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。
我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
論文 参考訳（メタデータ） (2020-04-30T03:23:45Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。