論文の概要: Liver Segmentation using Turbolift Learning for CT and Cone-beam C-arm
Perfusion Imaging
- arxiv url: http://arxiv.org/abs/2207.10167v1
- Date: Wed, 20 Jul 2022 19:38:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-22 12:39:39.116527
- Title: Liver Segmentation using Turbolift Learning for CT and Cone-beam C-arm
Perfusion Imaging
- Title（参考訳）: CTおよびコーンビームC-アーム灌流画像におけるTurbolift Learningを用いた肝分画
- Authors: Hana Haselji\'c, Soumick Chatterjee, Robert Frysch, Vojt\v{e}ch
Kulvait, Vladimir Semshchikov, Bennet Hensen, Frank Wacker, Inga Br\"usch,
Thomas Werncke, Oliver Speck, Andreas N\"urnberger and Georg Rose
- Abstract要約: C-arm cone-beam Computed Tomography (CBCT) を用いて肝のダイナミック灌流イメージングを改善するために時間分離法(TST)が発見された。
CT 灌流データから抽出した事前知識を用いて TST を適用するには,CT スキャンから肝臓を正確に区分けする必要がある。
本研究は,マルチスケールアテンションUNetの修正版を異なる肝セグメンテーションタスクでトレーニングするTurbolift Learningを提案する。
- 参考スコア（独自算出の注目度）: 0.4073222202612759
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Model-based reconstruction employing the time separation technique (TST) was
found to improve dynamic perfusion imaging of the liver using C-arm cone-beam
computed tomography (CBCT). To apply TST using prior knowledge extracted from
CT perfusion data, the liver should be accurately segmented from the CT scans.
Reconstructions of primary and model-based CBCT data need to be segmented for
proper visualisation and interpretation of perfusion maps. This research
proposes Turbolift learning, which trains a modified version of the multi-scale
Attention UNet on different liver segmentation tasks serially, following the
order of the trainings CT, CBCT, CBCT TST - making the previous trainings act
as pre-training stages for the subsequent ones - addressing the problem of
limited number of datasets for training. For the final task of liver
segmentation from CBCT TST, the proposed method achieved an overall Dice scores
of 0.874$\pm$0.031 and 0.905$\pm$0.007 in 6-fold and 4-fold cross-validation
experiments, respectively - securing statistically significant improvements
over the model, which was trained only for that task. Experiments revealed that
Turbolift not only improves the overall performance of the model but also makes
it robust against artefacts originating from the embolisation materials and
truncation artefacts. Additionally, in-depth analyses confirmed the order of
the segmentation tasks. This paper shows the potential of segmenting the liver
from CT, CBCT, and CBCT TST, learning from the available limited training data,
which can possibly be used in the future for the visualisation and evaluation
of the perfusion maps for the treatment evaluation of liver diseases.
- Abstract（参考訳）: C-arm cone-beam CT(CBCT)を用いて肝のダイナミック灌流イメージングを改善するため, 時間分離法(TST)を用いたモデルベース再構成を行った。
CT 灌流データから抽出した事前知識を用いて TST を適用するには,CT スキャンから肝臓を正確に区分けする必要がある。
一次およびモデルに基づくCBCTデータの再構成は、パーフュージョンマップの適切な可視化と解釈のためにセグメント化する必要がある。
本研究は, トレーニングCT, CBCT, CBCT TSTの順に, 異なる肝セグメンテーションタスクにおいて, マルチスケール注意UNetの修正版を連続的にトレーニングするターボリフト学習を提案する。
cbct tstによる肝分画の最終課題として,提案手法では6倍および4倍の肝分画実験において 0.874$\pm$0.031 と 0.905$\pm$0.007 の総合diceスコアをそれぞれ達成した。
実験により、ターボリフトはモデル全体の性能を向上させるだけでなく、塞栓材や切断物に由来するアーティファクトに対して頑健であることが判明した。
さらに,詳細な分析により,セグメンテーションタスクの順序を確認した。
本稿では,CT,CBCT,CBCT TSTから肝を分画する可能性を示し,肝疾患の治療評価のための灌流マップの可視化と評価に将来使用可能な限られたトレーニングデータから学ぶ。
関連論文リスト
- Improving Cone-Beam CT Image Quality with Knowledge Distillation-Enhanced Diffusion Model in Imbalanced Data Settings [6.157230849293829]
毎日のコーンビームCT(CBCT)画像は、治療調整の要点であり、組織密度の精度が低い。
治療中のCBCTデータを最大化し, 疎対ファンビームCTで補完した。
本手法はRTにおけるCBCTスキャンから高画質CT画像を生成する上で有望であることを示す。
論文 参考訳（メタデータ） (2024-09-19T07:56:06Z) - CBCTLiTS: A Synthetic, Paired CBCT/CT Dataset For Segmentation And Style Transfer [0.21847754147782888]
CBCTLiTS(CBCTLiTS)は,高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・高精細・
CBCTデータは5つの異なる品質レベルで提供され、視覚的品質の高い多数の投影から、厳密なアーティファクトを持つ少数の投影まで到達する。
論文 参考訳（メタデータ） (2024-07-20T11:47:20Z) - Multimodal Learning With Intraoperative CBCT & Variably Aligned Preoperative CT Data To Improve Segmentation [0.21847754147782888]
コーンビームCT(CBCT)はコンピュータ支援による介入を促進する重要なツールである。
劣化した画像品質は下流のセグメンテーションに影響を及ぼす可能性があるが、高品質の術前スキャンが利用可能であることは、改善の可能性を示唆している。
本稿では,CBCT と CT のほぼ一致したスキャンを融合させるマルチモーダル学習法を提案し,CBCT の品質と誤調整が最終的なセグメンテーション性能に与える影響について検討する。
論文 参考訳（メタデータ） (2024-06-17T15:31:54Z) - CT-3DFlow : Leveraging 3D Normalizing Flows for Unsupervised Detection of Pathological Pulmonary CT scans [37.69303106863453]
正規化フロー(NF)は、非可逆アーキテクチャを通じてトレーニング例の確率分布を直接学習する能力を持つ。
我々はこの特性をCT-3DFlowと呼ばれる新しい3次元NFモデルで利用し、特に胸部CTデータにおける患者レベルの肺病理診断に特化している。
本モデルは健康な3次元肺CTパッチで教師なしの訓練を行い,異常としてログ状分布から逸脱を検出する。
論文 参考訳（メタデータ） (2024-03-27T12:44:57Z) - Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。
代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。
不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
論文 参考訳（メタデータ） (2024-01-31T21:05:34Z) - Liver Segmentation in Time-resolved C-arm CT Volumes Reconstructed from
Dynamic Perfusion Scans using Time Separation Technique [0.4073222202612759]
時間分離法 (TST) は, C-arm cone-beam Computed Tomography (CBCT) の拡散データをモデル化するのに有効である。
近年,TST再建作業において,ターボリフト学習の性能が向上している。
本研究では,TST再構成から推定したTRV(Time-Resolved Volume)に基づいて,ターボリフト学習のマルチスケール注意UNetを第3段階で訓練することにより,その可能性を探る。
論文 参考訳（メタデータ） (2023-02-09T11:57:09Z) - CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for
Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。
提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。
実験の結果、CyTranは競合するすべての手法より優れています。
論文 参考訳（メタデータ） (2021-10-12T23:25:03Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - A Learning-based Method for Online Adjustment of C-arm Cone-Beam CT
Source Trajectories for Artifact Avoidance [47.345403652324514]
市販CBCT装置で実現可能な復元品質はペダルスクリューの存在下での金属加工品のため不十分である。
そこで本研究では,C-arm CBCTソーストラジェクトリをスキャン中に調整し,特定のタスクに対する再構成品質を最適化することを提案する。
リアルにシミュレートされたデータに基づいてトレーニングされた畳み込みニューラルネットワークは、CBCTソース軌跡のシーン特異的な調整を可能にする品質指標を予測することができることを示す。
論文 参考訳（メタデータ） (2020-08-14T09:23:50Z) - ROSE: A Retinal OCT-Angiography Vessel Segmentation Dataset and New
Model [41.444917622855606]
OCT-Aセグメンテーションデータセット(ROSE)は229枚のOCT-A画像からなり、中心線レベルまたは画素レベルで血管アノテーションを付加する。
次に,スプリットをベースとしたSCF-Net(Coarse-to-Fine vessel segmentation Network)を提案する。
SCF-Netでは、スプリットベース粗いセグメンテーション(SCS)モジュールを最初に導入し、スプリットベースリファインメント(SRN)モジュールを使用して形状・形状を最適化する。
論文 参考訳（メタデータ） (2020-07-10T06:54:19Z) - Generalizable Cone Beam CT Esophagus Segmentation Using Physics-Based
Data Augmentation [4.5846054721257365]
我々は,CT(pCT)とCBCT(cone-beam CT)の計画における食道の分節化のための意味物理学に基づくデータ拡張法を開発した。
191例のpCTおよびCBCTを用いて,食道などの軟部臓器に特異的に設計された多目的損失機能を有する3D-Unetアーキテクチャを訓練した。
我々の物理に基づくデータ拡張は、患者のCBCT/pCTデータにまたがる現実的なノイズ/アーティファクトスペクトルにまたがるものであり、治療のセットアップと反応分析の精度を向上する可能性を秘めている。
論文 参考訳（メタデータ） (2020-06-28T21:12:09Z)
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。