論文の概要: Rib Suppression in Digital Chest Tomosynthesis
- arxiv url: http://arxiv.org/abs/2203.02772v1
- Date: Sat, 5 Mar 2022 15:32:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 17:45:24.528657
- Title: Rib Suppression in Digital Chest Tomosynthesis
- Title(参考訳): デジタルチェスト共生におけるリブ抑制
- Authors: Yihua Sun, Qingsong Yao, Yuanyuan Lyu, Jianji Wang, Yi Xiao, Hongen
Liao, S. Kevin Zhou
- Abstract要約: DCT(Digital chest tomo synthesis)は、肺疾患スクリーニングのためのヒト胸の3D画像を作成する技術である。
胸部X線像では, より鮮明な肺のテクスチャーを呈し, 胸部抑制の進展がみられた。
3Dをモデル化するために、$textbfT$omo synthesis $textbfRI$b Su$textbfP$pression and $textbfL$ung $textbfE$nhancement $textbfNet$work (TRIPLE-Net)を提案する。
- 参考スコア(独自算出の注目度): 20.807775709360694
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digital chest tomosynthesis (DCT) is a technique to produce sectional 3D
images of a human chest for pulmonary disease screening, with 2D X-ray
projections taken within an extremely limited range of angles. However, under
the limited angle scenario, DCT contains strong artifacts caused by the
presence of ribs, jamming the imaging quality of the lung area. Recently, great
progress has been achieved for rib suppression in a single X-ray image, to
reveal a clearer lung texture. We firstly extend the rib suppression problem to
the 3D case at the software level. We propose a $\textbf{T}$omosynthesis
$\textbf{RI}$b Su$\textbf{P}$pression and $\textbf{L}$ung
$\textbf{E}$nhancement $\textbf{Net}$work (TRIPLE-Net) to model the 3D rib
component and provide a rib-free DCT. TRIPLE-Net takes the advantages from both
2D and 3D domains, which model the ribs in DCT with the exact FBP procedure and
3D depth information, respectively. The experiments on simulated datasets and
clinical data have shown the effectiveness of TRIPLE-Net to preserve lung
details as well as improve the imaging quality of pulmonary diseases. Finally,
an expert user study confirms our findings.
- Abstract(参考訳): digital chest tomo synthesis (dct) は、肺疾患スクリーニングのためのヒト胸部断面3d画像の作成技術であり、2d x線投影は非常に限られた角度で撮影される。
しかし、限られた角度のシナリオでは、DCTはリブの存在によって引き起こされる強いアーティファクトを含み、肺領域の画像品質を妨害する。
近年,1枚のx線画像において肺のテクスチャが明瞭になるため,リブ抑制が大きな進歩を遂げている。
まず,ソフトウェアレベルでのリブ抑制問題を3Dケースに拡張する。
3dリブコンポーネントをモデル化し、リブフリーなdctを提供するために、$\textbf{t}$omo synthesis $\textbf{ri}$b su$\textbf{p}$pressionと$\textbf{l}$ung$\textbf{e}$nhancement $\textbf{net}$work (triple-net)を提案する。
TRIPLE-Netは2Dドメインと3Dドメインの両方の利点を生かし、それぞれDCTのリブをFBPプロシージャと3D深度情報でモデル化する。
シミュレーションデータセットと臨床データを用いた実験により, TRIPLE-Netが肺の細部を保存し, 肺疾患の画像品質を向上させる効果が示された。
最後に、専門家によるユーザー調査の結果を確認します。
関連論文リスト
- BS-Diff: Effective Bone Suppression Using Conditional Diffusion Models
from Chest X-Ray Images [21.19843479423806]
胸部X線(CXR)は肺検診の低用量モダリティとして一般的に用いられる。
肺領域の約75%は骨と重なり、疾患の検出と診断を妨げている。
骨抑制技術が導入されたが、現在の病院の二重エネルギーサブトラクションイメージング技術は、高価な機器と高放射線にさらされる被検体を必要としている。
本稿では,U-Netアーキテクチャを備えた条件拡散モデルと,オートエンコーダを組み込むシンプルな拡張モジュールを備える骨抑制フレームワークBS-Diffを提案する。
論文 参考訳(メタデータ) (2023-11-26T15:13:13Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - 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) - Image Synthesis with Disentangled Attributes for Chest X-Ray Nodule
Augmentation and Detection [52.93342510469636]
肺癌早期検診では胸部X線像の肺結節検出が一般的である。
ディープラーニングに基づくコンピュータ支援診断(CAD)システムは、CXRの結節スクリーニングのために放射線科医をサポートすることができる。
このようなデータセットの可用性を損なうため,データ拡張のために肺結節合成法を提案する。
論文 参考訳(メタデータ) (2022-07-19T16:38:48Z) - 3D RegNet: Deep Learning Model for COVID-19 Diagnosis on Chest CT Image [9.407002591446286]
新型コロナウイルス感染症(Covid-19)患者の身体状態を診断するための3D-RegNetベースのニューラルネットワークを提案する。
その結果、3Dモデルの試験セット,f1スコア0.8379,AUC値0.8807が達成された。
論文 参考訳(メタデータ) (2021-07-08T18:10:07Z) - Pulmonary Vessel Segmentation based on Orthogonal Fused U-Net++ of Chest
CT Images [1.8692254863855962]
胸部CT画像から肺血管セグメンテーションの枠組みと改善過程について検討した。
アプローチの鍵となるのは、3つの軸から2.5D区分けネットワークを応用し、堅牢で完全に自動化された肺血管区分け結果を示す。
提案手法は,他のネットワーク構造よりも大きなマージンで優れ,平均DICEスコア0.9272,精度0.9310を極端に上回っている。
論文 参考訳(メタデータ) (2021-07-03T21:46:29Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳(メタデータ) (2021-01-14T03:45:01Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z) - Deep LF-Net: Semantic Lung Segmentation from Indian Chest Radiographs
Including Severely Unhealthy Images [5.826056983051642]
胸部X線写真(胸部X線、CxR)は、様々な肺疾患の診断において重要な役割を担っている。
正確な肺分画は、健康問題、年齢、性別による肺の形状のばらつきから非常に困難である。
提案研究は,CxRからの肺の正確な分画に対する効率的な深部畳み込みニューラルネットワークの使用について検討した。
論文 参考訳(メタデータ) (2020-11-19T07:21:02Z) - Volumetric Medical Image Segmentation: A 3D Deep Coarse-to-fine
Framework and Its Adversarial Examples [74.92488215859991]
本稿では,これらの課題に効果的に取り組むために,新しい3Dベースの粗粒度フレームワークを提案する。
提案した3Dベースのフレームワークは、3つの軸すべてに沿ってリッチな空間情報を活用できるため、2Dよりも大きなマージンで優れている。
我々は,3つのデータセット,NIH膵データセット,JHMI膵データセット,JHMI病理嚢胞データセットについて実験を行った。
論文 参考訳(メタデータ) (2020-10-29T15:39:19Z) - 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)
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。