論文の概要: Comparison of Representation Learning Techniques for Tracking in time resolved 3D Ultrasound

• arxiv url: http://arxiv.org/abs/2201.03319v1
• Date: Mon, 10 Jan 2022 12:38:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-11 16:12:17.751204
• Title: Comparison of Representation Learning Techniques for Tracking in time resolved 3D Ultrasound
• Title（参考訳）: 時間分解3次元超音波追跡のための表現学習手法の比較
• Authors: Daniel Wulff, Jannis Hagenah, Floris Ernst
• Abstract要約: 3D超音波(3DUS)は、放射線治療における標的追跡において、電離放射線を使わずにリアルタイムに容積画像を提供する能力により、より興味深いものとなる。 そのため、意味のある表現を学習する手法は、表現空間(r-空間)における異なる時間枠における解剖学的構造を認識するのに有用である。 本研究では,従来のオートエンコーダ,変分オートエンコーダ,スライスワッサースタインオートエンコーダを用いて,3DUSパッチを128次元のr空間に縮小する。
• 参考スコア（独自算出の注目度）: 0.7734726150561088
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: 3D ultrasound (3DUS) becomes more interesting for target tracking in radiation therapy due to its capability to provide volumetric images in real-time without using ionizing radiation. It is potentially usable for tracking without using fiducials. For this, a method for learning meaningful representations would be useful to recognize anatomical structures in different time frames in representation space (r-space). In this study, 3DUS patches are reduced into a 128-dimensional r-space using conventional autoencoder, variational autoencoder and sliced-wasserstein autoencoder. In the r-space, the capability of separating different ultrasound patches as well as recognizing similar patches is investigated and compared based on a dataset of liver images. Two metrics to evaluate the tracking capability in the r-space are proposed. It is shown that ultrasound patches with different anatomical structures can be distinguished and sets of similar patches can be clustered in r-space. The results indicate that the investigated autoencoders have different levels of usability for target tracking in 3DUS.
• Abstract（参考訳）: 3d超音波(3dus)は、電離放射線を使わずにリアルタイムで容積画像を提供する能力を持つため、放射線治療の標的追跡においてより興味深いものとなる。 fiducialsを使用せずに、トラッキングに使用できる可能性がある。 このために、意味のある表現を学習する手法は、表現空間 (r-space) 内の異なる時間枠の解剖学的構造を認識するのに有用である。 本研究では,従来のオートエンコーダ,変分オートエンコーダ,スライスドワッサースタインオートエンコーダを用いて,3dusパッチを128次元r空間に縮小する。 r空間において, 異なる超音波パッチを分離し, 類似のパッチを認識する能力について検討し, 肝画像のデータセットに基づいて比較した。 r空間におけるトラッキング能力を評価するための2つの指標を提案する。 異なる解剖学的構造を有する超音波パッチを識別でき,r-空間に同様のパッチ群をクラスタ化できることを示した。 その結果, 3dusでは, 対象追跡に対するユーザビリティのレベルが異なることがわかった。

関連論文リスト

• 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)
• 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)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Self-Supervised Depth Estimation in Laparoscopic Image using 3D Geometric Consistency [7.902636435901286]
  立体対に隠された3次元構造情報を利用する自己教師型深度推定器M3Depthを提案する。 提案手法は,公開データセットと新たに取得したデータセットの両方において,従来の自己教師型アプローチよりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2022-08-17T17:03:48Z)
• Agent with Tangent-based Formulation and Anatomical Perception for Standard Plane Localization in 3D Ultrasound [56.7645826576439]
  3D USにおけるSP自動位置決めのための新しい強化学習フレームワークを提案する。 まず、RLにおける接点に基づく問題として、3D USにおけるSP局所化を定式化し、作用空間を再構成する。 第2に、平面探索における非SPとSPの交差する微妙な違いを認識するモデルの能力を高めるための補助的タスク学習戦略を設計する。
  論文  参考訳（メタデータ） (2022-07-01T14:53:27Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Unsupervised multi-latent space reinforcement learning framework for video summarization in ultrasound imaging [0.0]
  新型コロナウイルス(COVID-19)のパンデミックは、超音波スキャンのトリアージを高速化するツールの必要性を強調している。 提案手法は,この方向への一歩である。 そこで我々は,新しい報酬を伴う教師なし強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-03T04:50:35Z)
• Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
  本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。 本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-12T15:22:33Z)
• Domain Specific Transporter Framework to Detect Fractures in Ultrasound [0.0]
  本稿では、手首超音波スキャンから関連するキーポイントを特定するための、教師なしドメイン固有トランスポーターフレームワークを提案する。 本フレームワークは,3次元超音波シーケンスにおける構造変化の高い領域を強調表示する簡潔な幾何学的表現を提供する。 30名の被験者から得られた3DUSビデオに対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2021-06-09T16:54:39Z)
• Transducer Adaptive Ultrasound Volume Reconstruction [17.19369561039399]
  フリーハンド2Dスキャンによる3Dボリューム再構成は、特に外部追跡装置を使わずに、非常に難しい問題である。 近年の深層学習に基づく手法は,連続する超音波フレーム間のフレーム間移動を直接推定する可能性を示している。 本稿では、異なるトランスデューサで取得したデータにディープラーニングアルゴリズムを適用するための新しいドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T04:46:57Z)
• Sensorless Freehand 3D Ultrasound Reconstruction via Deep Contextual Learning [13.844630500061378]
  フリーハンドUSスキャンからの3次元ボリューム再構成の現在の方法は、フレーム毎に空間的位置を提供するために外部追跡装置を必要とする。 本稿では,DCL-Net(Deep contextual learning network)を提案する。このネットワークは,米国フレーム間の画像特徴関係を効率的に活用し,トラッキング装置を使わずに3DUSボリュームを再構築する。
  論文  参考訳（メタデータ） (2020-06-13T18:37:30Z)

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。