論文の概要: Single volume lung biomechanics from chest computed tomography using a
mode preserving generative adversarial network
- arxiv url: http://arxiv.org/abs/2110.07878v1
- Date: Fri, 15 Oct 2021 06:17:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-18 15:26:02.317548
- Title: Single volume lung biomechanics from chest computed tomography using a
mode preserving generative adversarial network
- Title（参考訳）: 胸部CTからの単体積肺バイオメカニクス
- Authors: Muhammad F. A. Chaudhary, Sarah E. Gerard, Di Wang, Gary E.
Christensen, Christopher B. Cooper, Joyce D. Schroeder, Eric A. Hoffman,
Joseph M. Reinhardt
- Abstract要約: 単一のCTスキャンから直接局所組織拡張を推定するための生成的対向学習手法を提案する。
提案手法はSPIROMICSコホートから2500名の被験者を対象に訓練,評価を行った。
提案モデルでは,PSNR18.95デシベル,SSIM0.840,スピアマン相関0.61,高分解能1mm3で達成した。
- 参考スコア（独自算出の注目度）: 10.406580531987418
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Local tissue expansion of the lungs is typically derived by registering
computed tomography (CT) scans acquired at multiple lung volumes. However,
acquiring multiple scans incurs increased radiation dose, time, and cost, and
may not be possible in many cases, thus restricting the applicability of
registration-based biomechanics. We propose a generative adversarial learning
approach for estimating local tissue expansion directly from a single CT scan.
The proposed framework was trained and evaluated on 2500 subjects from the
SPIROMICS cohort. Once trained, the framework can be used as a
registration-free method for predicting local tissue expansion. We evaluated
model performance across varying degrees of disease severity and compared its
performance with two image-to-image translation frameworks - UNet and Pix2Pix.
Our model achieved an overall PSNR of 18.95 decibels, SSIM of 0.840, and
Spearman's correlation of 0.61 at a high spatial resolution of 1 mm3.
- Abstract（参考訳）: 肺の局所組織拡張は通常、複数の肺体積で取得されたctスキャンを登録することによって引き起こされる。
しかし、複数のスキャンを取得すると放射線量、時間、コストが増大し、多くの場合では不可能となり、登録ベースのバイオメカニクスの適用性が制限される。
単一のCTスキャンから直接局所組織拡張を推定するための生成的対向学習手法を提案する。
提案手法はスピロミクスコホートから2500名の被験者を対象に訓練および評価を行った。
トレーニングが完了すると、このフレームワークは、局所的な組織膨張を予測するための登録不要な方法として使用できる。
病気の重症度に応じてモデルの性能を評価し,その性能を2つの画像間翻訳フレームワークであるUNetとPix2Pixと比較した。
提案モデルでは,PSNR18.95デシベル,SSIM0.840,スピアマン相関0.61,高分解能1mm3で達成した。
関連論文リスト
- Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - Autonomous Path Planning for Intercostal Robotic Ultrasound Imaging Using Reinforcement Learning [45.5123007404575]
胸腔鏡検査は, 皮下リブケージの音響的影が原因で, 依然として困難である。
本研究は, 内臓器病変のモニタリングを行うために, リブ間の走査経路を計画するための強化学習手法を提案する。
ランダムに定義された単一または複数の走査ターゲットを持つ未確認のCTに対して実験が実施されている。
論文 参考訳（メタデータ） (2024-04-15T16:52:53Z) - Robust deep labeling of radiological emphysema subtypes using squeeze
and excitation convolutional neural networks: The MESA Lung and SPIROMICS
Studies [34.200556207264974]
肺気腫は進行性で不可逆的な肺組織喪失である。
最近の研究は、肺CTにおける空間的インフォームド肺テクスチャパターン(ss)の教師なし学習につながっている。
肺CT上のss CNNとCTESの教師あり分類のための3次元圧縮・励起モデルを提案する。
論文 参考訳（メタデータ） (2024-03-01T03:45:56Z) - Longitudinal Multimodal Transformer Integrating Imaging and Latent
Clinical Signatures From Routine EHRs for Pulmonary Nodule Classification [4.002181247287472]
単発性肺結節(SPN)分類におけるERHからの経時的臨床所見とリピート画像を統合するためのトランスフォーマーベースのマルチモーダル戦略を提案する。
臨床症状の非観血的非観血的切り離しを行ない, 時間依存性の自己注意を利用して, 臨床症状の表現と胸部CTスキャンから共同学習を行った。
論文 参考訳（メタデータ） (2023-04-06T03:03:07Z) - An Efficient and Robust Method for Chest X-Ray Rib Suppression that
Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。
従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。
本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。
2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
論文 参考訳（メタデータ） (2023-02-19T23:47:02Z) - Segmentation of Lung Tumor from CT Images using Deep Supervision [0.8733639720576208]
肺がんは世界中のほとんどの国で死因となっている。
本稿では,LOTUSデータセットに2次元離散ウェーブレット変換(DWT)を適用し,肺腫瘍のセグメンテーションにアプローチする。
論文 参考訳（メタデータ） (2021-11-17T17:50:18Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。
この影響は、肺葉を分節する機械学習手法の改善を動機づけた。
このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文 参考訳（メタデータ） (2021-05-11T17:10:25Z) - M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia
Screening from CT Imaging [85.00066186644466]
マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。
COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
論文 参考訳（メタデータ） (2020-10-07T06:22:24Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳（メタデータ） (2020-05-27T06:58:39Z) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳（メタデータ） (2020-02-13T15:28:42Z)
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。