論文の概要: A multi-organ point cloud registration algorithm for abdominal CT
registration
- arxiv url: http://arxiv.org/abs/2203.08041v1
- Date: Tue, 15 Mar 2022 16:27:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 18:43:58.681091
- Title: A multi-organ point cloud registration algorithm for abdominal CT
registration
- Title(参考訳): 腹部CT登録のための多臓器点雲登録アルゴリズム
- Authors: Samuel Joutard, Thomas Pheiffer, Chloe Audigier, Patrick Wohlfahrt,
Reuben Dorent, Sebastien Piat, Tom Vercauteren, Marc Modat, Tommaso Mansi
- Abstract要約: 本研究では,興味ある臓器のサブセットを正確に登録することに焦点を当てる。
BCPDアルゴリズムのマルチオーガナイズ版であるMO-BCPDを導入する。
解剖学的ランドマークのターゲット登録誤差は、標準的なBCPDに比べてMO-BCPDの約2倍小さい。
- 参考スコア(独自算出の注目度): 5.0338371688780965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Registering CT images of the chest is a crucial step for several tasks such
as disease progression tracking or surgical planning. It is also a challenging
step because of the heterogeneous content of the human abdomen which implies
complex deformations. In this work, we focus on accurately registering a subset
of organs of interest. We register organ surface point clouds, as may typically
be extracted from an automatic segmentation pipeline, by expanding the Bayesian
Coherent Point Drift algorithm (BCPD). We introduce MO-BCPD, a multi-organ
version of the BCPD algorithm which explicitly models three important aspects
of this task: organ individual elastic properties, inter-organ motion coherence
and segmentation inaccuracy. This model also provides an interpolation
framework to estimate the deformation of the entire volume. We demonstrate the
efficiency of our method by registering different patients from the LITS
challenge dataset. The target registration error on anatomical landmarks is
almost twice as small for MO-BCPD compared to standard BCPD while imposing the
same constraints on individual organs deformation.
- Abstract(参考訳): 胸部ct画像の登録は,疾患進行追跡や手術計画など,いくつかの作業において重要なステップである。
複雑な変形を示すヒト腹部の不均一な内容のため、これは挑戦的なステップでもある。
本研究では,興味ある臓器のサブセットを正確に登録することに焦点を当てる。
我々は,ベイジアン・コヒーレント・ポイント・ドリフトアルゴリズム(BCPD)を拡張して,通常,自動セグメンテーション・パイプラインから抽出されるような臓器表面点雲を登録する。
我々は,BCPDアルゴリズムの多臓器バージョンであるMO-BCPDを導入し,この課題の3つの重要な側面を明示的にモデル化する。
このモデルは、ボリューム全体の変形を推定するための補間フレームワークも提供する。
LITSチャレンジデータセットから異なる患者を登録することで,本手法の有効性を実証する。
解剖学的ランドマーク上のターゲット登録誤差は、標準のBCPDに比べてMO-BCPDの約2倍小さいが、個々の臓器の変形にも同じ制約を課す。
関連論文リスト
- Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳(メタデータ) (2023-12-26T12:56:31Z) - SCPMan: Shape Context and Prior Constrained Multi-scale Attention
Network for Pancreatic Segmentation [39.70422146937986]
本稿では,頑健な膵分断のための形状コンテキストと事前制約を備えたマルチスケールアテンションネットワークを提案する。
我々のアーキテクチャは、ぼやけた境界に対する堅牢なセグメンテーション性能と、スケールと膵の形状の変化を提供する。
論文 参考訳(メタデータ) (2023-12-26T03:00:25Z) - Deep Conditional Shape Models for 3D cardiac image segmentation [1.4042211166197214]
本稿では,Deep Shape Model (DCSM) Conditional をコアコンポーネントとする新しいセグメンテーションアルゴリズムを提案する。
生成した形状を画像に合わせるため、形状モデルを解剖学的ランドマークに条件付けし、ユーザーが自動的に検出または提供することができる。
局所的な改善を伴わずに非造影CTの基準線を上回り, 造影CT, 3DE, 特にハウスドルフ距離を著しく改善した。
論文 参考訳(メタデータ) (2023-10-16T18:38:26Z) - Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。
肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。
結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
論文 参考訳(メタデータ) (2023-06-27T14:41:18Z) - Structure-aware registration network for liver DCE-CT images [50.28546654316009]
セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。
提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
論文 参考訳(メタデータ) (2023-03-08T14:08:56Z) - A New Probabilistic V-Net Model with Hierarchical Spatial Feature
Transform for Efficient Abdominal Multi-Organ Segmentation [15.26560999964979]
本稿では, 階層的空間的特徴変調を用いた確率的多臓器分割ネットワークを提案する。
提案手法は公開されているAbdomenCT-1Kデータセットに基づいて訓練され、他の2つのオープンデータセットで評価される。
論文 参考訳(メタデータ) (2022-08-02T11:51:46Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳(メタデータ) (2022-03-01T17:08:41Z) - External Attention Assisted Multi-Phase Splenic Vascular Injury
Segmentation with Limited Data [72.99534552950138]
脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。
脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
論文 参考訳(メタデータ) (2022-01-04T02:35:56Z) - FocusNetv2: Imbalanced Large and Small Organ Segmentation with
Adversarial Shape Constraint for Head and Neck CT Images [82.48587399026319]
organ-at-risk (oars) は、健康な臓器の損傷を避けるために放射線治療計画において重要なステップである。
本研究では,この課題を解決するために,2段階の深層ニューラルネットワークであるFocusNetv2を提案する。
従来のFocusNetに加えて,小臓器に新たな対角的形状制約を導入し,推定小臓器形状と臓器形状との整合性を確保する。
論文 参考訳(メタデータ) (2021-04-05T04:45:31Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳(メタデータ) (2020-10-09T08:22:54Z)
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。