論文の概要: Back to the Roots: Reconstructing Large and Complex Cranial Defects using an Image-based Statistical Shape Model

• arxiv url: http://arxiv.org/abs/2204.05703v1
• Date: Tue, 12 Apr 2022 10:58:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-13 11:39:11.902177
• Title: Back to the Roots: Reconstructing Large and Complex Cranial Defects using an Image-based Statistical Shape Model
• Title（参考訳）: 根の後方:画像に基づく統計的形状モデルによる大脳・複雑頭蓋欠損の再構築
• Authors: Jianning Li, David G. Ellis, Antonio Pepe, Christina Gsaxner, Michele R. Aizenberg, Jens Kleesiek, Jan Egger
• Abstract要約: 頭蓋骨のセグメンテーションマスクに直接構築された統計的形状モデル(SSM)を示す。 頭蓋骨インプラント設計作業におけるSSMの評価を行った結果,手動による手技の補正のみで,大・複雑欠陥の再構築が可能であることが示唆された。 対照的に、CNNベースのアプローチは、大規模なデータ拡張であっても、これらのケースに対する満足度が低いインプラントを失敗または生成する。
• 参考スコア（独自算出の注目度）: 0.636460243469043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing implants for large and complex cranial defects is a challenging task, even for professional designers. Current efforts on automating the design process focused mainly on convolutional neural networks (CNN), which have produced state-of-the-art results on reconstructing synthetic defects. However, existing CNN-based methods have been difficult to translate to clinical practice in cranioplasty, as their performance on complex and irregular cranial defects remains unsatisfactory. In this paper, a statistical shape model (SSM) built directly on the segmentation masks of the skulls is presented. We evaluate the SSM on several cranial implant design tasks, and the results show that, while the SSM performs suboptimally on synthetic defects compared to CNN-based approaches, it is capable of reconstructing large and complex defects with only minor manual corrections. The quality of the resulting implants is examined and assured by experienced neurosurgeons. In contrast, CNN-based approaches, even with massive data augmentation, fail or produce less-than-satisfactory implants for these cases. Codes are publicly available at https://github.com/Jianningli/ssm
• Abstract（参考訳）: 大型で複雑な頭蓋欠損に対するインプラントの設計は、プロのデザイナーにとっても難しい課題だ。 設計プロセスの自動化に向けた現在の取り組みは、主に畳み込みニューラルネットワーク(CNN)に焦点を当てており、合成欠陥を再構築するための最先端の結果を生み出している。 しかし, 既存のCNN法は, 複雑で不規則な頭蓋欠損に対する成績が相容れないため, 頭蓋形成術の臨床実践への転換が困難である。 本稿では,頭蓋骨のセグメンテーションマスクに直接構築された統計的形状モデル(SSM)について述べる。 頭蓋骨インプラント設計作業におけるSSMの評価は,CNNによるアプローチと比較して,SSMは部分最適に合成欠陥を施すが,手作業による修正だけで,大規模で複雑な欠陥を再構築できることが示唆された。 得られたインプラントの品質は、経験豊富な神経外科医によって検査され、保証される。 対照的に、cnnベースのアプローチは、膨大なデータ拡張であっても、これらのケースに満足のいくインプラントを失敗または生成しない。 コードはhttps://github.com/Jianningli/ssmで公開されている。

関連論文リスト

• Automatic Skull Reconstruction by Deep Learnable Symmetry Enforcement [0.12301374769426145]
  何千人もの人々が頭蓋骨の損傷に苦しんでおり、頭蓋腔を埋めるためにパーソナライズされたインプラントを必要としている。 深層学習に基づく頭蓋再建はいくつかの課題に直面している。 本稿では,これらの課題に対して,学習可能な対称性の強制による再構築を強化することによる,新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2024-11-26T11:35:32Z)
• Improving Deep Learning-based Automatic Cranial Defect Reconstruction by Heavy Data Augmentation: From Image Registration to Latent Diffusion Models [0.2911706166691895]
  この研究は、パーソナライズされた頭蓋インプラントの自動モデリングにおける人工知能の分野に多大な貢献をしている。 重データの増大が定量的および定性的な結果の両方を著しく増加させることを示す。 また, 人工的に拡張したネットワークは, 実際の臨床的欠陥を再構築することに成功した。
  論文  参考訳（メタデータ） (2024-06-10T15:34:23Z)
• Deep Generative Networks for Heterogeneous Augmentation of Cranial Defects [0.15720523553334917]
  我々は、互換性のある欠陥のある数十万の欠陥頭蓋骨を生成することができることを示した。 生成された頭蓋骨は、実際の医療に対するパーソナライズされた頭蓋インプラントの自動設計を改善する可能性がある。
  論文  参考訳（メタデータ） (2023-08-09T11:29:16Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images [79.07468367923619]
  畳み込み型神経生成符号化(Conv-NGC)を開発した。 我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。 本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
  論文  参考訳（メタデータ） (2022-11-22T06:42:41Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Go Beyond Multiple Instance Neural Networks: Deep-learning Models based on Local Pattern Aggregation [0.0]
  畳み込みニューラルネットワーク(CNN)は、臨床心電図(ECG)と話者非依存音声の処理においてブレークスルーをもたらした。 本稿では,局所的なパターン集約に基づくディープラーニングモデルを提案する。 LPANetと呼ばれる新しいネットワーク構造には、トリミングと集約操作が組み込まれている。
  論文  参考訳（メタデータ） (2022-05-28T13:18:18Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• PTNet: A High-Resolution Infant MRI Synthesizer Based on Transformer [9.04141563883558]
  新しいMRI合成フレームワーク - ピラミッドトランスフォーマーネット (PTNet) について紹介する。 PTNetはトランス層、スキップ接続、マルチスケールピラミッド表現で構成されている。 最も広く使われているCNNベースの条件付きGANモデルと比較して、PTNetは合成精度とモデルサイズにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-05-28T17:20:19Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。