論文の概要: Dual-Branch Squeeze-Fusion-Excitation Module for Cross-Modality
Registration of Cardiac SPECT and CT
- arxiv url: http://arxiv.org/abs/2206.05278v1
- Date: Fri, 10 Jun 2022 01:44:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-19 18:55:16.183492
- Title: Dual-Branch Squeeze-Fusion-Excitation Module for Cross-Modality
Registration of Cardiac SPECT and CT
- Title（参考訳）: 心臓spectとctのクロスモダリティ登録のためのデュアルブランチスクイーズ・フュージョン・エクスシジョンモジュール
- Authors: Xiongchao Chen, Bo Zhou, Huidong Xie, Xueqi Guo, Jiazhen Zhang, Albert
J. Sinusas, John A. Onofrey, Chi liu
- Abstract要約: 心筋SPECTとCT由来のu-mapを登録するためのDuSFE (Dual-Branch Squeeze-Fusion-Excitation) モジュールを提案する。
DuSFEは、複数のモダリティからの知識を融合させ、各モダリティに対するチャネルワイドと空間的特徴の両方を再検討する。
- 参考スコア（独自算出の注目度）: 8.366154384108464
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single-photon emission computed tomography (SPECT) is a widely applied
imaging approach for diagnosis of coronary artery diseases. Attenuation maps
(u-maps) derived from computed tomography (CT) are utilized for attenuation
correction (AC) to improve diagnostic accuracy of cardiac SPECT. However, SPECT
and CT are obtained sequentially in clinical practice, which potentially
induces misregistration between the two scans. Convolutional neural networks
(CNN) are powerful tools for medical image registration. Previous CNN-based
methods for cross-modality registration either directly concatenated two input
modalities as an early feature fusion or extracted image features using two
separate CNN modules for a late fusion. These methods do not fully extract or
fuse the cross-modality information. Besides, deep-learning-based rigid
registration of cardiac SPECT and CT-derived u-maps has not been investigated
before. In this paper, we propose a Dual-Branch Squeeze-Fusion-Excitation
(DuSFE) module for the registration of cardiac SPECT and CT-derived u-maps.
DuSFE fuses the knowledge from multiple modalities to recalibrate both
channel-wise and spatial features for each modality. DuSFE can be embedded at
multiple convolutional layers to enable feature fusion at different spatial
dimensions. Our studies using clinical data demonstrated that a network
embedded with DuSFE generated substantial lower registration errors and
therefore more accurate AC SPECT images than previous methods.
- Abstract（参考訳）: 単光放射ct(spect)は冠動脈疾患の診断に広く応用されている画像診断手法である。
心臓spectの診断精度を向上させるために、ct由来の減衰マップ(u-maps)を用いて減衰補正(ac)を行う。
しかし, SPECTとCTは臨床的に連続的に得られ, 2つのスキャンの誤登録を引き起こす可能性がある。
畳み込みニューラルネットワーク(CNN)は、医用画像登録のための強力なツールである。
従来のCNNベースのクロスモダリティ登録手法は、2つの入力モードを早期特徴融合として直接結合するか、2つの別々のCNNモジュールを用いて画像特徴抽出を行う。
これらの方法は、モダリティ情報の完全抽出や融合には至らない。
また, 深層学習による心筋SPECTおよびCT由来の u-maps の厳格な登録もこれまで検討されていない。
本稿では、心筋SPECTとCT由来のu-mapを登録するためのDuSFE(Du-Branch Squeeze-Fusion-Excitation)モジュールを提案する。
DuSFEは、複数のモダリティからの知識を融合させ、各モダリティに対するチャネルワイドと空間的特徴の両方を再検討する。
DuSFEは複数の畳み込み層に埋め込み、異なる空間次元における特徴融合を可能にする。
臨床データを用いた研究により,dusfeを組み込んだネットワークは,従来の方法よりもかなり低い登録誤差を生じさせ,ac spect画像の精度も向上した。
関連論文リスト
- End-to-End Model-based Deep Learning for Dual-Energy Computed Tomography Material Decomposition [53.14236375171593]
本稿では,定量化のためのエンド・ツー・エンド材料分解(E2E-DEcomp)と呼ばれる深層学習手法を提案する。
AAPMスペクトルCTデータセットにおける直接E2E-DEcomp法の有効性を示す。
論文 参考訳（メタデータ） (2024-06-01T16:20:59Z) - CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。
我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。
提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
論文 参考訳（メタデータ） (2024-05-28T15:17:58Z) - Point cloud-based registration and image fusion between cardiac SPECT
MPI and CTA [22.691328811159252]
SPECT心筋灌流画像(MPI)と心電図血管造影(CTA)との点群登録と画像融合のための方法が提案された。
SPECTおよびCTA画像における左心室(LV)心室領域(LVER)は、LV心室輪郭(LVEC)の点群を生成するために訓練された異なるU-Netニューラルネットワークを用いて区分けされた。
提案手法は心CTAおよびSPECT機能画像から構造を効果的に融合させ,相補的優位性を組み合わせることで心疾患の正確な診断を支援する可能性を示した。
論文 参考訳（メタデータ） (2024-02-10T00:00:40Z) - Dual-Domain Coarse-to-Fine Progressive Estimation Network for
Simultaneous Denoising, Limited-View Reconstruction, and Attenuation
Correction of Cardiac SPECT [16.75701769113328]
SPECT(Single-Photon Emission Computed Tomography)は冠動脈疾患の診断に広く応用されている。
低線量(LD)SPECTは、放射線被曝を最小化するが、画像ノイズの増加につながる。最新のGEmyoSPECT ESシステムのような限定ビュー(LV)SPECTは、ハードウェアコストの高速化と削減を可能にするが、再構成精度は低下する。
論文 参考訳（メタデータ） (2024-01-23T23:28:15Z) - A Two-Stage Generative Model with CycleGAN and Joint Diffusion for
MRI-based Brain Tumor Detection [41.454028276986946]
本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。
CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。
VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
論文 参考訳（メタデータ） (2023-11-06T12:58:26Z) - Classification of lung cancer subtypes on CT images with synthetic
pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。
肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文 参考訳（メタデータ） (2023-08-09T02:04:05Z) - ACSGRegNet: A Deep Learning-based Framework for Unsupervised Joint
Affine and Diffeomorphic Registration of Lumbar Spine CT via Cross- and
Self-Attention Fusion [4.068962439293273]
本研究では,医用画像登録のためのエンドツーエンドの深層学習フレームワークを提案する。
ACSGRegNetは、画像間特徴対応を確立するクロスアテンションモジュールと、画像内解剖学的構造を認識する自己アテンションモジュールを統合する。
我々の手法は平均Dice 0.963 と平均距離誤差 0.321mm を達成し,SOTA (State-of-the-art) よりも優れている。
論文 参考訳（メタデータ） (2022-08-04T13:13:48Z) - Spatiotemporal Feature Learning Based on Two-Step LSTM and Transformer
for CT Scans [2.3682456328966115]
我々は、新型コロナウイルスの症状分類を徹底的に行うための、新しい、効果的、2段階のアプローチを提案する。
まず,従来のバックボーンネットワークにより,CTスキャンにおける各スライスの意味的特徴埋め込みを抽出する。
そこで我々は,時間的特徴学習を扱うために,LSTMとTransformerベースのサブネットワークを提案する。
論文 参考訳（メタデータ） (2022-07-04T16:59:05Z) - 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) - Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein
Segmentation in CT [45.93021999366973]
肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。
コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。
細気管支、動脈、静脈に対して優れた感受性を有する。
論文 参考訳（メタデータ） (2020-12-10T15:56:08Z) - Detecting Pancreatic Ductal Adenocarcinoma in Multi-phase CT Scans via
Alignment Ensemble [77.5625174267105]
膵管腺癌(PDAC)は最も致命的ながんの1つである。
複数のフェーズは単一のフェーズよりも多くの情報を提供するが、それらは整列せず、テクスチャにおいて不均一である。
PDAC検出性能を高めるために,これらすべてのアライメントのアンサンブルを提案する。
論文 参考訳（メタデータ） (2020-03-18T19:06:27Z)
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。