Fugu-MT 論文翻訳(概要): X-ray Dissectography Enables Stereotography to Improve Diagnostic Performance

論文の概要: X-ray Dissectography Enables Stereotography to Improve Diagnostic Performance

arxiv url: http://arxiv.org/abs/2111.15040v1
Date: Tue, 30 Nov 2021 00:31:59 GMT
ステータス: 処理完了
システム内更新日: 2021-12-01 15:51:22.046100
Title: X-ray Dissectography Enables Stereotography to Improve Diagnostic Performance
Title（参考訳）: X線ディストクトグラフィーはステレオグラフィーで診断性能を向上する
Authors: Chuang Niu and Ge Wang
Abstract要約: 少ない放射線投影から対象臓器・組織をデジタル的に抽出する「X線ディストモグラフィー」を提案する。実験により、X線ステレオグラフィーは肺のような孤立した臓器で達成できることが示された。 X線ディストモグラフィーは、放射線線量とシステムコストにおけるCTグレード診断のための新しいX線画像モダリティを、放射線画像やトモシンセティックイメージングに匹敵する、と約束している。
参考スコア（独自算出の注目度）: 5.357314252311141
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: X-ray imaging is the most popular medical imaging technology. While x-ray radiography is rather cost-effective, tissue structures are superimposed along the x-ray paths. On the other hand, computed tomography (CT) reconstructs internal structures but CT increases radiation dose, is complicated and expensive. Here we propose "x-ray dissectography" to extract a target organ/tissue digitally from few radiographic projections for stereographic and tomographic analysis in the deep learning framework. As an exemplary embodiment, we propose a general X-ray dissectography network, a dedicated X-ray stereotography network, and the X-ray imaging systems to implement these functionalities. Our experiments show that x-ray stereography can be achieved of an isolated organ such as the lungs in this case, suggesting the feasibility of transforming conventional radiographic reading to the stereographic examination of the isolated organ, which potentially allows higher sensitivity and specificity, and even tomographic visualization of the target. With further improvements, x-ray dissectography promises to be a new x-ray imaging modality for CT-grade diagnosis at radiation dose and system cost comparable to that of radiographic or tomosynthetic imaging.
Abstract（参考訳）: X線イメージングは最も人気のある医療画像技術である。 X線ラジオグラフィーは費用対効果が高いが、組織構造はX線経路に沿って重畳される。一方,CTは内部構造を再構成するが,CTは放射線線量を増加させるため複雑で高価である。本稿では,深層学習における立体像と断層像の分析のために,少数のx線投影から対象臓器/組織をデジタル的に抽出する「x線解剖学」を提案する。本稿では, 一般的なX線ディストモグラフィネットワーク, 専用のX線ステレオトグラフィネットワーク, およびこれらの機能を実装するためのX線イメージングシステムを提案する。本研究は, 肺などの摘出臓器でx線立体撮影が可能であることを示し, 従来のx線読影を分離臓器の立体視検査に変換できる可能性を示し, 感度, 特異性, および標的のトモグラフィ可視化の可能性も示唆した。さらなる改良により、放射線線量とシステムコストが放射線画像やトモシンセティック画像に匹敵する、ctグレードの診断のための新しいx線イメージングモードが約束されている。

関連論文リスト

Multi-view X-ray Image Synthesis with Multiple Domain Disentanglement from CT Scans [10.72672892416061]
過剰投与されたX線は、ある程度人間の健康への潜在的なリスクを重畳する。ボリュームスキャンからX線画像へのデータ駆動アルゴリズムは、ペア化されたX線とボリュームデータの不足によって制限される。我々は,3つの異なる画像領域からのコンテンツとスタイルのゆがみを利用して,X線画像をエンドツーエンドに合成するCT2X-GANを提案する。
論文参考訳（メタデータ） (2024-04-18T04:25:56Z)
XProspeCT: CT Volume Generation from Paired X-Rays [0.0]
我々は、X線画像をシミュレーションCTボリュームに変換するために、以前の研究に基づいて構築した。モデルバリエーションには、UNetアーキテクチャ、カスタム接続、アクティベーション関数、損失関数、新しいバックプロジェクションアプローチなどがある。
論文参考訳（メタデータ） (2024-02-11T21:57:49Z)
UMedNeRF: Uncertainty-aware Single View Volumetric Rendering for Medical Neural Radiance Fields [38.62191342903111]
生成した放射場に基づく不確実性を考慮したMedNeRF(UMedNeRF)ネットワークを提案する。我々は,CTプロジェクションレンダリングの結果を1つのX線で示し,生成した放射場に基づく他の手法との比較を行った。
論文参考訳（メタデータ） (2023-11-10T02:47:15Z)
AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文参考訳（メタデータ） (2023-09-25T19:34:12Z)
Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。 X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
論文参考訳（メタデータ） (2023-05-26T07:12:35Z)
X-Ray2EM: Uncertainty-Aware Cross-Modality Image Reconstruction from X-Ray to Electron Microscopy in Connectomics [55.6985304397137]
膜セグメンテーション品質を向上したEMライクな画像にX線画像を変換する不確実性を考慮した3D再構成モデルを提案する。これは、よりシンプルで、より高速で、より正確なX線ベースのコネクトロミクスパイプラインを開発する可能性を示している。
論文参考訳（メタデータ） (2023-03-02T00:52:41Z)
Improving Computed Tomography (CT) Reconstruction via 3D Shape Induction [3.1498833540989413]
再現モデルのトレーニング中に現実的なX線分布を取り入れた新しい手法として,CTの監督なしに3次元CTの形状を学習する形状誘導法を提案する。本研究は, 肺疾患におけるCTの知覚的品質と下流分類の精度を両立させることを実証した。
論文参考訳（メタデータ） (2022-08-23T13:06:02Z)
MedNeRF: Medical Neural Radiance Fields for Reconstructing 3D-aware CT-Projections from a Single X-ray [14.10611608681131]
過剰な電離放射線は、体に決定論的かつ有害な影響をもたらす可能性がある。本稿では,CTプロジェクションの再構成を学習する深層学習モデルを提案する。
論文参考訳（メタデータ） (2022-02-02T13:25:23Z)
Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文参考訳（メタデータ） (2021-10-25T14:15:57Z)
Deep Learning for Ultrasound Beamforming [120.12255978513912]
受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
論文参考訳（メタデータ） (2021-09-23T15:15:21Z)
XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
論文参考訳（メタデータ） (2020-12-04T05:08:53Z)

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。