論文の概要: DeepRecon: Joint 2D Cardiac Segmentation and 3D Volume Reconstruction
via A Structure-Specific Generative Method
- arxiv url: http://arxiv.org/abs/2206.07163v1
- Date: Tue, 14 Jun 2022 20:46:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-18 21:45:04.169051
- Title: DeepRecon: Joint 2D Cardiac Segmentation and 3D Volume Reconstruction
via A Structure-Specific Generative Method
- Title(参考訳): DeepRecon: 構造特異的な生成法による2次元心臓分割と3次元容積再構成
- Authors: Qi Chang, Zhennan Yan, Mu Zhou, Di Liu, Khalid Sawalha, Meng Ye,
Qilong Zhangli, Mikael Kanski, Subhi Al Aref, Leon Axel, Dimitris Metaxas
- Abstract要約: 本稿では,複数の臨床的に不可欠な結果を生成する,エンドツーエンドの潜在空間ベースのフレームワークであるDeepReconを提案する。
本手法は,心構造に対する正確な意味情報を含むシネ画像の最適潜時表現を同定する。
特に,本モデルでは,正確な意味情報と心構造のセグメンテーションを併用して合成画像を生成する。
- 参考スコア(独自算出の注目度): 12.26150675728958
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Joint 2D cardiac segmentation and 3D volume reconstruction are fundamental to
building statistical cardiac anatomy models and understanding functional
mechanisms from motion patterns. However, due to the low through-plane
resolution of cine MR and high inter-subject variance, accurately segmenting
cardiac images and reconstructing the 3D volume are challenging. In this study,
we propose an end-to-end latent-space-based framework, DeepRecon, that
generates multiple clinically essential outcomes, including accurate image
segmentation, synthetic high-resolution 3D image, and 3D reconstructed volume.
Our method identifies the optimal latent representation of the cine image that
contains accurate semantic information for cardiac structures. In particular,
our model jointly generates synthetic images with accurate semantic information
and segmentation of the cardiac structures using the optimal latent
representation. We further explore downstream applications of 3D shape
reconstruction and 4D motion pattern adaptation by the different latent-space
manipulation strategies.The simultaneously generated high-resolution images
present a high interpretable value to assess the cardiac shape and
motion.Experimental results demonstrate the effectiveness of our approach on
multiple fronts including 2D segmentation, 3D reconstruction, downstream 4D
motion pattern adaption performance.
- Abstract(参考訳): 2次元心臓分割と3次元容積再構成は、統計的心解剖モデルの構築と運動パターンからの機能的メカニズムの理解に不可欠である。
しかし,シネMRの低平面分解能と高物体間分散のため,正確な心像の分割と3Dボリュームの再構成は困難である。
本研究では, 高精度画像分割, 合成高分解能3d画像, 3次元再構成ボリュームなど, 臨床上不可欠な結果を生成する, エンドツーエンドの潜在空間ベースフレームワークであるdeepreconを提案する。
本手法は,心構造に対する正確な意味情報を含むシネ画像の最適潜時表現を同定する。
特に,本モデルでは,最適な潜在表現を用いて,正確な意味情報と心構造のセグメンテーションを含む合成画像を生成する。
さらに,3次元形状再構成と4次元動作パターン適応の異なる遅延空間操作戦略によるダウンストリーム応用について検討し,同時に生成した高解像度画像から心形態と動作を評価するための高い解釈可能な値が得られた。
関連論文リスト
- Unsupervised 3D Pose Estimation with Non-Rigid Structure-from-Motion
Modeling [83.76377808476039]
本研究では,人間のポーズの変形をモデル化し,それに伴う拡散に基づく動きを事前に設計する手法を提案する。
動作中の3次元人間の骨格を復元する作業は3次元基準骨格の推定に分割する。
混合時空間NASfMformerを用いて、各フレームの3次元基準骨格と骨格変形を2次元観測シーケンスから同時に推定する。
論文 参考訳(メタデータ) (2023-08-18T16:41:57Z) - DMCVR: Morphology-Guided Diffusion Model for 3D Cardiac Volume
Reconstruction [33.59945107137013]
現在の心臓MRIによる再建技術は、平面解像度が制限された2Dである。
本稿では,高解像度2次元画像とそれに対応する3次元再構成ボリュームを合成する3次元心容積再構成のための形態誘導拡散モデルDMCVRを提案する。
論文 参考訳(メタデータ) (2023-08-18T00:48:30Z) - Mesh-based 3D Motion Tracking in Cardiac MRI using Deep Learning [11.177851736773823]
心臓機能評価と心血管疾患の診断には, 心臓磁気共鳴(CMR)画像からの3次元運動推定が重要である。
従来の手法のほとんどは、フルイメージ空間における画素/ボクセルの運動場の推定に重点を置いていた。
本研究では、心臓を3次元幾何メッシュとしてモデル化し、2次元短軸CMR画像から心臓メッシュの3次元運動を推定できる新しいディープラーニングベースの手法を提案する。
論文 参考訳(メタデータ) (2022-09-05T15:10:27Z) - MulViMotion: Shape-aware 3D Myocardial Motion Tracking from Multi-View
Cardiac MRI [11.685829837689404]
心臓の連続した3次元運動場を学習するためのマルチビューモーション推定ネットワーク(MulViMotion)を提案する。
左室心筋の3次元運動追跡のための英国バイオバンク研究の580名の被験者から得られた2D cine CMR画像に対する提案手法を広範に評価した。
論文 参考訳(メタデータ) (2022-07-29T18:29:52Z) - RiCS: A 2D Self-Occlusion Map for Harmonizing Volumetric Objects [68.85305626324694]
カメラ空間における光マーチング (RiCS) は、3次元における前景物体の自己閉塞を2次元の自己閉塞マップに表現する新しい手法である。
表現マップは画像の質を高めるだけでなく,時間的コヒーレントな複雑な影効果をモデル化できることを示す。
論文 参考訳(メタデータ) (2022-05-14T05:35:35Z) - H4D: Human 4D Modeling by Learning Neural Compositional Representation [75.34798886466311]
この研究は、動的人間に対するコンパクトで構成的な表現を効果的に学習できる新しい枠組みを提示する。
単純で効果的な線形運動モデルを提案し, 粗く規則化された動き推定を行う。
本手法は, 高精度な動作と詳細な形状を持つ動的ヒトの回復に有効であるだけでなく, 様々な4次元人間関連タスクにも有効であることを示す。
論文 参考訳(メタデータ) (2022-03-02T17:10:49Z) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳(メタデータ) (2021-10-14T23:05:47Z) - Joint Motion Correction and Super Resolution for Cardiac Segmentation
via Latent Optimisation [18.887520377396925]
心臓画像分割のための動作補正と超解像を共同で行う新しい潜在最適化フレームワークを提案する。
2つの心MRデータセットの実験により、提案手法は最先端の超解像法に匹敵する高い性能を達成することが示された。
論文 参考訳(メタデータ) (2021-07-08T15:14:00Z) - A Deep-Learning Approach For Direct Whole-Heart Mesh Reconstruction [1.8047694351309207]
本研究では,ボリュームCTとMR画像データから心表面メッシュ全体を直接予測する深層学習に基づく新しい手法を提案する。
本手法は,高分解能,高品質の全心臓再建を実現できる有望な性能を示した。
論文 参考訳(メタデータ) (2021-02-16T00:39:43Z) - 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) - Hierarchical Amortized Training for Memory-efficient High Resolution 3D
GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。
トレーニングと推論の異なる構成を使用することで、この目標を達成する。
3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文 参考訳(メタデータ) (2020-08-05T02:33:04Z)
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。