論文の概要: Spectral image clustering on dual-energy CT scans using functional regression mixtures

• arxiv url: http://arxiv.org/abs/2201.13398v1
• Date: Mon, 31 Jan 2022 18:04:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-01 19:55:36.489367
• Title: Spectral image clustering on dual-energy CT scans using functional regression mixtures
• Title（参考訳）: 機能的回帰混合を用いたデュアルエネルギーCTスキャンにおけるスペクトル画像クラスタリング
• Authors: Segolene Brivet, Faicel Chamroukhi, Mark Coates, Reza Forghani, and Peter Savadjiev
• Abstract要約: デュアルエネルギーCT(Dual-Energy Computed Tomography、DECT)は、従来のCTスキャンでは不可能な材料特性評価が可能な高度なCTスキャン技術である。 これにより、各3次元画像ボクセルにおけるエネルギー減衰曲線の再構成が可能になり、異なる有効エネルギーレベルでの様々な画像減衰を表す。
• 参考スコア（独自算出の注目度）: 12.194046749285425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dual-energy computed tomography (DECT) is an advanced CT scanning technique enabling material characterization not possible with conventional CT scans. It allows the reconstruction of energy decay curves at each 3D image voxel, representing varying image attenuation at different effective scanning energy levels. In this paper, we develop novel functional data analysis (FDA) techniques and adapt them to the analysis of DECT decay curves. More specifically, we construct functional mixture models that integrate spatial context in mixture weights, with mixture component densities being constructed upon the energy decay curves as functional observations. We design unsupervised clustering algorithms by developing dedicated expectation maximization (EM) algorithms for the maximum likelihood estimation of the model parameters. To our knowledge, this is the first article to adapt statistical FDA tools and model-based clustering to take advantage of the full spectral information provided by DECT. We evaluate our methods on 91 head and neck cancer DECT scans. We compare our unsupervised clustering results to tumor contours traced manually by radiologists, as well as to several baseline algorithms. Given the inter-rater variability even among experts at delineating head and neck tumors, and given the potential importance of tissue reactions surrounding the tumor itself, our proposed methodology has the potential to add value in downstream machine learning applications for clinical outcome prediction based on DECT data in head and neck cancer.
• Abstract（参考訳）: dual-energy ct tomography (dect) は従来のctスキャンでは材料のキャラクタリゼーションができない高度なctスキャン技術である。 これにより、各3次元画像ボクセルにおけるエネルギー減衰曲線の再構成が可能となり、異なる有効な走査エネルギー準位で様々な画像減衰を表現できる。 本稿では,新しい関数型データ解析(fda)手法を開発し,dect崩壊曲線の解析に適用する。 より具体的には、混合重みに空間的コンテキストを統合する機能的混合モデルを構築し、エネルギー減衰曲線上に混合成分密度を機能的観測として構築する。 モデルパラメータの最大推定のための専用予測最大化(EM)アルゴリズムを開発することにより、教師なしクラスタリングアルゴリズムを設計する。 我々の知る限り、DECTが提供する完全なスペクトル情報を活用するために、統計的なFDAツールとモデルベースのクラスタリングを適用する最初の記事です。 頭頸部癌91例を対象にDECTスキャンを行った。 放射線科医が手作業で追跡した腫瘍輪郭と,いくつかのベースラインアルゴリズムとの比較を行った。 頭頸部腫瘍の悪性度を判定し,腫瘍周囲の組織反応の潜在的重要性を考慮し,頭頸部癌におけるDECTデータに基づく臨床成績予測のための下流機械学習応用に価値を付加する可能性が示唆された。

関連論文リスト

• Evaluation of Vision Transformers for Multimodal Image Classification: A Case Study on Brain, Lung, and Kidney Tumors [0.0]
  この研究は、いくつかのデータセットで、Swin TransformerやMaxViTを含むVision Transformersアーキテクチャのパフォーマンスを評価する。 脳、肺、腎臓の腫瘍で3つの画像のトレーニングセットを使用しました。 Swin Transformerは高い精度を提供し、腎臓腫瘍の分類で99.9%、組み合わせたデータセットで99.3%の精度を達成した。
  論文  参考訳（メタデータ） (2025-02-08T10:35:51Z)
• Synthetic CT image generation from CBCT: A Systematic Review [44.01505745127782]
  深層学習法を用いたコーンビームCT(CBCT)データから合成CT(sCT)画像を生成することは,放射線腫瘍学における重要な進歩である。 sCT 生成における深層学習アプローチの頻度を明らかにするため,35 件の関連研究を同定,解析した。
  論文  参考訳（メタデータ） (2025-01-22T13:54:07Z)
• End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
  本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。 AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
  論文  参考訳（メタデータ） (2024-06-01T16:20:59Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Quantum optimization algorithms for CT image segmentation from X-ray data [0.0]
  本稿では,2次非制約二元最適化(QUBO)と呼ばれる高度な量子最適化アルゴリズムを用いた新しい手法を提案する。 ラドン変換を用いて、実験的に得られたシングラムと量子化されたセグメンテーションCT画像から得られた量子化されたシングラムとの差を最小限に抑えたX線投影データからのセグメンテーションCT画像の取得を可能にする。 本研究は,実世界のX線データの検証にD-Waveのハイブリッドソルバシステムを利用した。
  論文  参考訳（メタデータ） (2023-06-08T19:37:43Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Multi-Channel Convolutional Analysis Operator Learning for Dual-Energy CT Reconstruction [108.06731611196291]
  我々は,多チャンネル畳み込み解析演算子学習法(MCAOL)を開発した。 本研究では,低エネルギー,高エネルギーで減衰画像を共同で再構成する最適化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-10T14:22:54Z)
• Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images [0.9208007322096533]
  本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。 ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。 我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-12-23T19:20:38Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• 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)

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。