論文の概要: Generalised Automatic Anatomy Finder (GAAF): A general framework for 3D location-finding in CT scans

• arxiv url: http://arxiv.org/abs/2209.06042v1
• Date: Tue, 13 Sep 2022 14:50:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-14 13:17:16.569290
• Title: Generalised Automatic Anatomy Finder (GAAF): A general framework for 3D location-finding in CT scans
• Title（参考訳）: generalized automatic anatomy finder (gaaf):ctスキャンにおける3次元位置検出のための汎用フレームワーク
• Authors: Edward G. A. Henderson and Eliana M. Vasquez Osorio and Marcel van Herk and Andrew F. Green
• Abstract要約: GAAFは、データ前処理、モデルトレーニング、推論のためのエンドツーエンドパイプラインである。 コアでは、GAAFはカスタムなローカライゼーション畳み込みニューラルネットワーク(CNN)を使用している。 これまでのところ、このフレームワークは頭と首でテストされており、脳幹の中心のような解剖学的位置を見つけることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present GAAF, a Generalised Automatic Anatomy Finder, for the identification of generic anatomical locations in 3D CT scans. GAAF is an end-to-end pipeline, with dedicated modules for data pre-processing, model training, and inference. At it's core, GAAF uses a custom a localisation convolutional neural network (CNN). The CNN model is small, lightweight and can be adjusted to suit the particular application. The GAAF framework has so far been tested in the head and neck, and is able to find anatomical locations such as the centre-of-mass of the brainstem. GAAF was evaluated in an open-access dataset and is capable of accurate and robust localisation performance. All our code is open source and available at https://github.com/rrr-uom-projects/GAAF.
• Abstract（参考訳）: 一般自動解剖検査装置であるGAAFを3次元CTにおける解剖学的位置同定のために提案する。 gaafはエンドツーエンドのパイプラインで、データの前処理、モデルトレーニング、推論専用のモジュールを備えている。 コアでは、GAAFは独自のローカライゼーション畳み込みニューラルネットワーク(CNN)を使用している。 CNNモデルは小さくて軽量で、特定のアプリケーションに合わせて調整できる。 GAAFフレームワークは、これまで頭と首でテストされており、脳幹の中心のような解剖学的位置を見つけることができる。 GAAFはオープンアクセスデータセットで評価され、正確で堅牢なローカライゼーション性能を持つ。 私たちのコードは、すべてオープンソースで、https://github.com/rrr-uom-projects/gaafで利用可能です。

関連論文リスト

• NeuroGF: A Neural Representation for Fast Geodesic Distance and Path Queries [77.04220651098723]
  本稿では,ニューラル暗黙関数を用いた3次元メッシュモデル上での測地線表現の試みについて述べる。 具体的には、与えられたメッシュの全対測地線を表現するために学習されたニューロ測地場(NeuroGF)を紹介する。 NeuroGFは、単一ソースのオールデスティネーション(SSAD)とポイント・ツー・ポイントの測地学を解く上で、非常に優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-01T13:32:21Z)
• Med-Query: Steerable Parsing of 9-DoF Medical Anatomies with Query Embedding [15.98677736544302]
  本稿では,3次元医療データ中の解剖の検出,識別,セグメンテーションを行うための,安定かつ堅牢で効率的な計算フレームワークを提案する。 解剖学の複雑な形状、大きさ、配向を考えると、9自由度(9-DoF)のポーズ推定解をフル3次元空間で提示する。 胸骨, 脊椎, 腹部臓器の3つの画像解析課題について, 提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2022-12-05T04:04:21Z)
• OOOE: Only-One-Object-Exists Assumption to Find Very Small Objects in Chest Radiographs [9.226276232505734]
  管や様々な解剖学的構造のような多くの異物は、胸部X線全体と比較して小さい。 我々は,胸部X線写真中の小さなランドマークを局所化する深層ネットワークの能力を向上させるため,単純で効果的なOOOE(Only-One-Object-Exists)の仮定を提案する。
  論文  参考訳（メタデータ） (2022-10-13T07:37:33Z)
• Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
  集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。 Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。 提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
  論文  参考訳（メタデータ） (2022-07-21T22:17:21Z)
• Neural Annotation Refinement: Development of a New 3D Dataset for Adrenal Gland Analysis [76.2915458113386]
  ニューラルリファインメント(NeAR)という,人間のアノテーションを洗練させる手法を提案する。 NeARは学習可能な暗黙の関数に基づいており、潜在ベクトルを表現された形にデコードする。 以上の結果から,NeARは腎腺分節データセットの歪んだゴールデンスタンダードを修復できることがわかった。
  論文  参考訳（メタデータ） (2022-06-30T14:59:15Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• 3D Axial-Attention for Lung Nodule Classification [0.11458853556386794]
  通常の非ローカルネットワークの計算能力のほんの一部を必要とする3D Axial-Attentionを使用することを提案する。 非局所ネットワークの位置不変問題を,共有埋め込みに3次元位置符号化を加えることを提案する。 その結果、3D Axial-Attentionモデルは、AUCやAccuracyを含むすべての評価指標で最先端のパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2020-12-28T06:49:09Z)
• DH3D: Deep Hierarchical 3D Descriptors for Robust Large-Scale 6DoF Relocalization [56.15308829924527]
  生の3D点から直接3次元特徴の検出と記述を共同で学習するシームズネットワークを提案する。 3次元キーポイントを検出するために,局所的な記述子の識別性を教師なしで予測する。 各種ベンチマーク実験により,本手法はグローバルポイントクラウド検索とローカルポイントクラウド登録の両面で競合する結果が得られた。
  論文  参考訳（メタデータ） (2020-07-17T20:21:22Z)
• IntrA: 3D Intracranial Aneurysm Dataset for Deep Learning [18.163031102785904]
  IntrAというオープンアクセス型3次元頭蓋内動脈瘤データセットを導入し、ポイントベースおよびメッシュベース分類とセグメンテーションモデルの適用を可能にした。 本データセットは頭蓋内動脈瘤の診断に有用であり, 頸部を摘出し, クリッピング術を施行した。
  論文  参考訳（メタデータ） (2020-03-02T05:21:53Z)

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。