論文の概要: Deep Learning-based Framework for Automatic Cranial Defect
Reconstruction and Implant Modeling
- arxiv url: http://arxiv.org/abs/2204.06310v1
- Date: Wed, 13 Apr 2022 11:33:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 17:41:36.193992
- Title: Deep Learning-based Framework for Automatic Cranial Defect
Reconstruction and Implant Modeling
- Title（参考訳）: 深層学習による頭蓋欠陥の自動再構成とインプラントモデリング
- Authors: Marek Wodzinski, Mateusz Daniol, Miroslaw Socha, Daria Hemmerling,
Maciej Stanuch, Andrzej Skalski
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.2020478014317493
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The goal of this work is to propose a robust, fast, and fully automatic
method for personalized cranial defect reconstruction and implant modeling.
We propose a two-step deep learning-based method using a modified U-Net
architecture to perform the defect reconstruction, and a dedicated iterative
procedure to improve the implant geometry, followed by automatic generation of
models ready for 3-D printing. We propose a cross-case augmentation based on
imperfect image registration combining cases from different datasets. We
perform ablation studies regarding different augmentation strategies and
compare them to other state-of-the-art methods.
We evaluate the method on three datasets introduced during the AutoImplant
2021 challenge, organized jointly with the MICCAI conference. We perform the
quantitative evaluation using the Dice and boundary Dice coefficients, and the
Hausdorff distance. The average Dice coefficient, boundary Dice coefficient,
and the 95th percentile of Hausdorff distance are 0.91, 0.94, and 1.53 mm
respectively. We perform an additional qualitative evaluation by 3-D printing
and visualization in mixed reality to confirm the implant's usefulness.
We propose a complete pipeline that enables one to create the cranial implant
model ready for 3-D printing. The described method is a greatly extended
version of the method that scored 1st place in all AutoImplant 2021 challenge
tasks. We freely release the source code, that together with the open datasets,
makes the results fully reproducible. The automatic reconstruction of cranial
defects may enable manufacturing personalized implants in a significantly
shorter time, possibly allowing one to perform the 3-D printing process
directly during a given intervention. Moreover, we show the usability of the
defect reconstruction in mixed reality that may further reduce the surgery
time.
- Abstract（参考訳）: 本研究の目的は、頭蓋骨欠損のパーソナライズとインプラントモデリングのためのロバストで高速で完全自動的な方法を提案することである。
改良された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。また, 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。
異なるデータセットの事例を組み合わせた不完全な画像登録に基づくクロスケース拡張を提案する。
異なる増補戦略に関するアブレーション研究を行い、他の最先端手法と比較する。
我々は,MICCAI会議と共同で,AutoImplant 2021チャレンジで導入された3つのデータセットについて評価を行った。
本研究では,Dice係数と境界Dice係数とハウスドルフ距離を用いて定量的評価を行う。
平均ディス係数、境界ディス係数、およびハースドルフ距離の95%はそれぞれ0.91、0.94、.53mmである。
混合現実における3Dプリンティングと可視化による質的評価を行い,インプラントの有用性を確認する。
3dプリンティングの準備が整った頭蓋インプラントモデルの作成を可能にする完全パイプラインを提案する。
記述された手法は、AutoImplant 2021の課題タスクで1位を獲得した方法の大幅に拡張されたバージョンである。
ソースコードを自由にリリースし、オープンデータセットとともに、結果を完全に再現可能にします。
頭蓋欠損の自動再建により、パーソナライズされたインプラントを極めて短時間で製造することができ、3Dプリンティングプロセスを直接実施することができる。
さらに,複合現実感における欠陥再構成の有用性を示し,手術時間を更に短縮する可能性を示した。
関連論文リスト
- Automatic Cranial Defect Reconstruction with Self-Supervised Deep Deformable Masked Autoencoders [0.12301374769426145]
毎年何千人もの人が頭蓋骨の損傷を負っています。再建手術の前にデザインと製造が必要なパーソナライズされたインプラントが必要です。
この問題は容積形状の完備化として定式化することができ、教師付きイメージセグメンテーション専用のディープニューラルネットワークによって解決される。
本研究では,この問題を解決するために自己教師付きマスク付きオートエンコーダを用いる方法を提案する。
論文 参考訳（メタデータ） (2024-04-19T14:43:43Z) - Binarized 3D Whole-body Human Mesh Recovery [104.13364878565737]
本研究では, 人体, 顔, 手の3次元パラメータを効率的に推定するために, 両立二重残差ネットワーク (BiDRN) を提案する。
BiDRNは、22.1%のパラメータと14.8%の操作しか使用せず、完全精度のHand4Wholeで同等のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2023-11-24T07:51:50Z) - Advancing Wound Filling Extraction on 3D Faces: Auto-Segmentation and
Wound Face Regeneration Approach [0.0]
本稿では,2ストリームグラフ畳み込みネットワークを用いた3次元顔傷セグメントの自動生成手法を提案する。
セグメンテーションモデルに基づいて、3次元顔の創傷充填体を抽出するための改良されたアプローチを提案する。
提案手法は, テストスイートにおいて0.9999986%の精度を達成し, 従来手法よりも優れていた。
論文 参考訳（メタデータ） (2023-07-04T17:46:02Z) - Point Cloud Diffusion Models for Automatic Implant Generation [0.4499833362998487]
本稿では,3次元点雲拡散モデルとボキセル化ネットワークを組み合わせたインプラント生成手法を提案する。
SkullBreak と SkullFix のデータセット上で評価を行い,高品質なインプラントを作製し,競争力のある評価スコアを得る。
論文 参考訳（メタデータ） (2023-03-14T16:54:59Z) - NeurAR: Neural Uncertainty for Autonomous 3D Reconstruction [64.36535692191343]
暗黙の神経表現はオフラインの3D再構成において魅力的な結果を示しており、オンラインSLAMシステムの可能性も最近示している。
本論文は,1)新しい表現に基づく視点計画の質を評価するための基準を求めること,2)手作りではなく,異なる場面に一般化可能なデータから基準を学習すること,の2つの課題に対処する。
本手法は, TSDFを用いた変形モデルやビュープランニングなしでの再構成モデルと比較した場合, レンダリングされた画像品質と再構成された3次元モデルの幾何学的品質について, 様々な指標について有意な改善を示す。
論文 参考訳（メタデータ） (2022-07-22T10:05:36Z) - Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose
Estimation [70.32536356351706]
本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。
ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。
本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2022-03-29T07:14:58Z) - Generating 3D Bio-Printable Patches Using Wound Segmentation and
Reconstruction to Treat Diabetic Foot Ulcers [3.9601033501810576]
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。
論文 参考訳（メタデータ） (2022-03-08T02:29:32Z) - A Proof-of-Concept Study of Artificial Intelligence Assisted Contour
Revision [4.195764918318819]
人工知能支援輪郭修正(AIACR)という新しい概念を提案する。
このコンセプトは、深層学習(DL)モデルを使用して、臨床医が輪郭を効率的かつ効果的に修正するのを支援する。
頭頸部癌データセットの2次元X線CT画像を用いてその実現可能性を示した。
論文 参考訳（メタデータ） (2021-07-28T16:18:29Z) - 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) - Neural Descent for Visual 3D Human Pose and Shape [67.01050349629053]
入力RGB画像から3次元のポーズと形状を復元するディープニューラルネットワーク手法を提案する。
我々は最近導入された表現力のあるボディ統計モデルGHUMに頼っている。
我々の方法論の中心は、HUmanNeural Descent (HUND)と呼ばれるアプローチの学習と最適化である。
論文 参考訳（メタデータ） (2020-08-16T13:38:41Z) - PerMO: Perceiving More at Once from a Single Image for Autonomous
Driving [76.35684439949094]
単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。
私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。
我々はこれらのアルゴリズムを自律運転システムに統合した。
論文 参考訳（メタデータ） (2020-07-16T05:02:45Z)
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。