論文の概要: Statistical Shape Modeling of Biventricular Anatomy with Shared
Boundaries
- arxiv url: http://arxiv.org/abs/2209.02706v1
- Date: Tue, 6 Sep 2022 15:54:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 12:54:29.940025
- Title: Statistical Shape Modeling of Biventricular Anatomy with Shared
Boundaries
- Title(参考訳): 共有境界を有する両室解剖の統計的形状モデル
- Authors: Krithika Iyer, Alan Morris, Brian Zenger, Karthik Karnath, Benjamin A
Orkild, Oleksandre Korshak, Shireen Elhabian
- Abstract要約: 本稿では,共有境界を持つ多臓器解剖学の統計的形状モデルを構築するための汎用的で柔軟なデータ駆動手法を提案する。
心臓の共有境界における形状変化は、非協調的収縮と低臓器灌流を引き起こす潜在的な病理学的変化を示す可能性がある。
- 参考スコア(独自算出の注目度): 16.287876512923084
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Statistical shape modeling (SSM) is a valuable and powerful tool to generate
a detailed representation of complex anatomy that enables quantitative analysis
and the comparison of shapes and their variations. SSM applies mathematics,
statistics, and computing to parse the shape into a quantitative representation
(such as correspondence points or landmarks) that will help answer various
questions about the anatomical variations across the population. Complex
anatomical structures have many diverse parts with varying interactions or
intricate architecture. For example, the heart is four-chambered anatomy with
several shared boundaries between chambers. Coordinated and efficient
contraction of the chambers of the heart is necessary to adequately perfuse end
organs throughout the body. Subtle shape changes within these shared boundaries
of the heart can indicate potential pathological changes that lead to
uncoordinated contraction and poor end-organ perfusion. Early detection and
robust quantification could provide insight into ideal treatment techniques and
intervention timing. However, existing SSM approaches fall short of explicitly
modeling the statistics of shared boundaries. This paper presents a general and
flexible data-driven approach for building statistical shape models of
multi-organ anatomies with shared boundaries that capture morphological and
alignment changes of individual anatomies and their shared boundary surfaces
throughout the population. We demonstrate the effectiveness of the proposed
methods using a biventricular heart dataset by developing shape models that
consistently parameterize the cardiac biventricular structure and the
interventricular septum (shared boundary surface) across the population data.
- Abstract(参考訳): 統計的形状モデリング(ssm: statistical shape modeling)は、複雑な解剖学の詳細な表現を生成する上で有用で強力なツールである。
ssmは、数学、統計学、計算を応用して形を定量的表現(対応点やランドマークなど)に解析し、人口の解剖学的変異に関する様々な質問に答える。
複雑な解剖学的構造は様々な相互作用や複雑な構造を持つ多様な部分を持つ。
例えば、心臓は四面体の解剖学であり、複数のチャンバーの境界が共有されている。
心室の協調的かつ効率的な収縮は、全身の臓器を適切に灌流するために必要である。
心臓の共有境界におけるサブトル形状の変化は、非協調的収縮と低臓器灌流を引き起こす潜在的な病理学的変化を示す可能性がある。
早期検出と堅牢な定量化は、理想的な治療技術と介入タイミングに関する洞察を与える可能性がある。
しかし、既存のSSMアプローチでは共有境界の統計を明示的にモデル化することができない。
本稿では,個別の解剖とそれらの共有境界面の形態的およびアライメント変化を捉えた共有境界を持つマルチオルガン解剖学の統計的形状モデルを構築するための,汎用的で柔軟なデータ駆動アプローチを提案する。
本研究は,両室間構造と心室中隔(共有境界面)を一貫してパラメータ化する形状モデルを構築し,両室間心筋データセットを用いた方法の有効性を実証する。
関連論文リスト
- Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳(メタデータ) (2024-07-08T11:44:15Z) - Bayesian Intrinsic Groupwise Image Registration: Unsupervised
Disentanglement of Anatomy and Geometry [53.645443644821306]
本稿では,医用画像の集団登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から得られた4つのデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳(メタデータ) (2024-01-04T08:46:39Z) - Shape of my heart: Cardiac models through learned signed distance functions [33.29148402516714]
本研究では、リプシッツ正則性を持つ3次元深部符号距離関数を用いて心臓の形状を再構成する。
この目的のために、心臓MRIの形状を学習し、複数の室の空間的関係をモデル化する。
また,本手法は1つの心室からの点雲などの部分的データから解剖モデルを再構築することも可能であることを示す。
論文 参考訳(メタデータ) (2023-08-31T09:02:53Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳(メタデータ) (2023-04-15T09:39:52Z) - A Generative Shape Compositional Framework to Synthesise Populations of
Virtual Chimaeras [52.33206865588584]
複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。
心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。
提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
論文 参考訳(メタデータ) (2022-10-04T13:36:52Z) - Anatomically Parameterized Statistical Shape Model: Explaining
Morphometry through Statistical Learning [0.0]
本研究は,解剖学的パラメータ化SSMの作成に解剖学的表現を用いることを実証する。
提案したモデルは、個体群間の骨形態の差異を分析し、患者固有の術前計画や外科内評価に組み込むのに役立つ。
論文 参考訳(メタデータ) (2022-02-17T10:56:22Z) - Learning Population-level Shape Statistics and Anatomy Segmentation From
Images: A Joint Deep Learning Model [0.0]
点分布モデル(PDM)は、密度の高い対応によって解剖学的表面を表す。
本稿では,この2つの座標空間をボリューム画像から直接同時に学習するディープラーニングベースのフレームワークを提案する。
世界対応は、従来のPDMモデルに係わる重い前処理やセグメンテーションを回避し、形状解析の応用に直接使用することができる。
論文 参考訳(メタデータ) (2022-01-10T17:24:35Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-30T13:41:12Z) - Learning Deep Features for Shape Correspondence with Domain Invariance [10.230933226423984]
対応に基づく形状モデルは、解剖学の統計解析に依存する様々な医学的イメージング応用の鍵となる。
本論文では, 深層畳み込みニューラルネットワークを用いて, 形状アンサンブルから対応しやすい特徴を抽出する, 自動機能学習手法を提案する。
論文 参考訳(メタデータ) (2021-02-21T02:25:32Z) - Benchmarking off-the-shelf statistical shape modeling tools in clinical
applications [53.47202621511081]
我々は、広く使われている最先端のSSMツールの結果を体系的に評価する。
解剖学的ランドマーク/計測推測および病変スクリーニングのための検証フレームワークを提案する。
ShapeWorks と Deformetrica の形状モデルは臨床的に関連する集団レベルの変動を捉えている。
論文 参考訳(メタデータ) (2020-09-07T03:51:35Z)
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。