論文の概要: Generating 3D Bio-Printable Patches Using Wound Segmentation and Reconstruction to Treat Diabetic Foot Ulcers

• arxiv url: http://arxiv.org/abs/2203.03814v1
• Date: Tue, 8 Mar 2022 02:29:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-09 14:18:14.318926
• Title: Generating 3D Bio-Printable Patches Using Wound Segmentation and Reconstruction to Treat Diabetic Foot Ulcers
• Title（参考訳）: 糖尿病性足部潰瘍に対する創傷切片と再建を用いた3次元バイオプリントパッチの作成
• Authors: Han Joo Chae, Seunghwan Lee, Hyewon Son, Seungyeob Han, Taebin Lim
• Abstract要約: AiD Regenは、2Dセマンティックセグメンテーションと3D再構成を組み合わせた3D創傷モデルを生成するシステムである。 AiD Regenは、RGB-D画像キャプチャ、セマンティックセグメンテーション、境界誘導ポイントクラウド処理、3Dモデル再構成、3Dプリント可能なGコード生成を含む、完全なパイプラインをシームレスに結合する。
• 参考スコア（独自算出の注目度）: 3.9601033501810576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce AiD Regen, a novel system that generates 3D wound models combining 2D semantic segmentation with 3D reconstruction so that they can be printed via 3D bio-printers during the surgery to treat diabetic foot ulcers (DFUs). AiD Regen seamlessly binds the full pipeline, which includes RGB-D image capturing, semantic segmentation, boundary-guided point-cloud processing, 3D model reconstruction, and 3D printable G-code generation, into a single system that can be used out of the box. We developed a multi-stage data preprocessing method to handle small and unbalanced DFU image datasets. AiD Regen's human-in-the-loop machine learning interface enables clinicians to not only create 3D regenerative patches with just a few touch interactions but also customize and confirm wound boundaries. As evidenced by our experiments, our model outperforms prior wound segmentation models and our reconstruction algorithm is capable of generating 3D wound models with compelling accuracy. We further conducted a case study on a real DFU patient and demonstrated the effectiveness of AiD Regen in treating DFU wounds.
• Abstract（参考訳）: AiD Regenは,糖尿病性足部潰瘍(DFU)の治療中に3Dバイオプリンダーを介してプリントできるように,2Dセマンティックセグメンテーションと3D再構成を組み合わせた3D創傷モデルを生成する新しいシステムである。 AiD Regenは、RGB-D画像キャプチャ、セマンティックセグメンテーション、バウンダリ誘導ポイントクラウド処理、3Dモデル再構成、および3Dプリント可能なGコード生成を含む全パイプラインを、ボックスから使用できる単一のシステムにシームレスに結合する。 小型で不均衡なdfu画像データセットを扱う多段データ前処理法を開発した。 AiD Regenのヒューマン・イン・ザ・ループ・機械学習インターフェースにより、臨床医はほんのわずかなタッチ操作で3D再生パッチを作成できるだけでなく、傷の境界をカスタマイズし、確認することができる。 実験で証明されたように, 従来の創傷セグメンテーションモデルよりも優れており, 復元アルゴリズムは説得力のある3次元創傷モデルを生成することができる。 さらに,DFU患者に対する症例スタディを行い,DFU創の治療におけるAiD Regenの有効性を実証した。

関連論文リスト

• Creating a Digital Twin of Spinal Surgery: A Proof of Concept [68.37190859183663]
  手術デジタル化は、現実世界の手術の仮想レプリカを作成するプロセスである。 脊椎外科手術に応用した手術デジタル化のための概念実証(PoC)を提案する。 5台のRGB-Dカメラを外科医の動的3D再構成に、ハイエンドカメラを解剖学の3D再構成に、赤外線ステレオカメラを手術器具追跡に、レーザースキャナーを手術室の3D再構成とデータ融合に使用した。
  論文  参考訳（メタデータ） (2024-03-25T13:09:40Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• Farm3D: Learning Articulated 3D Animals by Distilling 2D Diffusion [67.71624118802411]
  本稿では,カテゴリー固有の3D再構成器の学習方法であるFarm3Dについて述べる。 本稿では,Stable Diffusion などの画像生成装置を用いて,合成学習データを生成するフレームワークを提案する。 我々のネットワークは、単分子再構成や合成などの分析に利用でき、ビデオゲームのようなリアルタイムアプリケーションのための音響資産を生成することができる。
  論文  参考訳（メタデータ） (2023-04-20T17:59:34Z)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• Get3DHuman: Lifting StyleGAN-Human into a 3D Generative Model using Pixel-aligned Reconstruction Priors [56.192682114114724]
  Get3DHumanは、生成された結果のリアリズムと多様性を大幅に向上させる、新しい3Dヒューマンフレームワークである。 我々のキーとなる観察は、この3Dジェネレータは、人間の2Dジェネレータと3Dコンストラクタを通して学んだ、人間関係の先行技術から利益を得ることができるということだ。
  論文  参考訳（メタデータ） (2023-02-02T15:37:46Z)
• Improved $\alpha$-GAN architecture for generating 3D connected volumes with an application to radiosurgery treatment planning [0.5156484100374059]
  接続された3Dボリュームを生成するための3D$alpha$-GANの改良版を提案する。 我々のモデルは高品質な3D腫瘍ボリュームとそれに伴う治療仕様をうまく生成できる。 改良された3D$alpha$-GANは、合成医用画像データを生成する貴重な情報源となる。
  論文  参考訳（メタデータ） (2022-07-13T16:39:47Z)
• Deep Learning-based Framework for Automatic Cranial Defect Reconstruction and Implant Modeling [0.2020478014317493]
  本研究の目的は、頭蓋骨欠損の再建とインプラントのモデリングを行うための、頑健で、高速で、完全に自動化された手法を提案することである。 本稿では,修正U-Netアーキテクチャを用いた2段階の深層学習手法を提案する。 次に, 3Dプリンティングが可能なモデルの自動生成に続いて, インプラント形状を改善するための専用反復手順を提案する。
  論文  参考訳（メタデータ） (2022-04-13T11:33:26Z)
• A Point Cloud Generative Model via Tree-Structured Graph Convolutions for 3D Brain Shape Reconstruction [31.436531681473753]
  センサスキャンなどの物理的手法を用いて,術中3次元形状情報を得ることはほとんど不可能である。 本稿では,1つの2次元画像を用いて脳の3次元点雲(PC)を再構成するGANアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-07-21T07:57:37Z)
• 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)

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。