論文の概要: Prediction of Geometric Transformation on Cardiac MRI via Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2211.06641v1
• Date: Sat, 12 Nov 2022 11:29:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 17:13:25.248978
• Title: Prediction of Geometric Transformation on Cardiac MRI via Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークによる心臓MRIの幾何学的変換予測
• Authors: Xin Gao
• Abstract要約: 画像に適用される幾何学的変換を認識するために,ConvNetsを訓練して医用画像の特徴を学習することを提案する。 幾何学的変換を容易に予測できる簡単な自己教師型タスクを提案する。
• 参考スコア（独自算出の注目度）: 13.01021780124613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the field of medical image, deep convolutional neural networks(ConvNets) have achieved great success in the classification, segmentation, and registration tasks thanks to their unparalleled capacity to learn image features. However, these tasks often require large amounts of manually annotated data and are labor-intensive. Therefore, it is of significant importance for us to study unsupervised semantic feature learning tasks. In our work, we propose to learn features in medical images by training ConvNets to recognize the geometric transformation applied to images and present a simple self-supervised task that can easily predict the geometric transformation. We precisely define a set of geometric transformations in mathematical terms and generalize this model to 3D, taking into account the distinction between spatial and time dimensions. We evaluated our self-supervised method on CMR images of different modalities (bSSFP, T2, LGE) and achieved accuracies of 96.4%, 97.5%, and 96.4%, respectively. The code and models of our paper will be published on: https://github.com/gaoxin492/Geometric_Transformation_CMR
• Abstract（参考訳）: 医用画像の分野において、深層畳み込みニューラルネットワーク(convnets)は、画像特徴を学習する非並列能力により、分類、セグメンテーション、登録作業において大きな成功を収めている。 しかし、これらのタスクは、しばしば大量の手動のアノテートデータを必要とし、労働集約的である。 したがって,教師なしのセマンティクス的特徴学習タスクを研究することは重要である。 本研究では,画像に適用される幾何学的変換を認識するためにConvNetsを訓練し,幾何学的変換を容易に予測できる簡単な自己教師型タスクを提案する。 数学用語で幾何変換の集合を正確に定義し、空間次元と時間次元の区別を考慮してこのモデルを3次元に一般化する。 異なるモダリティ(bSSFP,T2,LGE)のCMR画像に対する自己監督法の評価を行い,96.4%,97.5%,96.4%の精度を得た。 論文のコードとモデルは、https://github.com/gaoxin492/geometric_transformation_cmrで公開します。

関連論文リスト

• Large Spatial Model: End-to-end Unposed Images to Semantic 3D [79.94479633598102]
  大空間モデル(LSM)は、RGB画像を直接意味的放射場に処理する。 LSMは、単一のフィードフォワード操作における幾何学、外観、意味を同時に推定する。 新しい視点で言語と対話することで、多目的ラベルマップを生成することができる。
  論文  参考訳（メタデータ） (2024-10-24T17:54:42Z)
• Cross-domain and Cross-dimension Learning for Image-to-Graph Transformers [50.576354045312115]
  直接画像からグラフへの変換は、単一のモデルにおけるオブジェクトの検出と関係予測を解決するための課題である。 画像-グラフ変換器のクロスドメインおよびクロス次元変換学習を可能にする一連の手法を提案する。 そこで我々は,2次元の衛星画像上でモデルを事前学習し,それを2次元および3次元の異なるターゲット領域に適用する。
  論文  参考訳（メタデータ） (2024-03-11T10:48:56Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• TransformNet: Self-supervised representation learning through predicting geometric transformations [0.8098097078441623]
  入力データに適用された幾何変換の認識のための教師なし意味特徴学習手法について述べる。 我々のアプローチの基本概念は、画像中の物体を知らない人が、それらに適用された幾何学的変換を定量的に予測できないことである。
  論文  参考訳（メタデータ） (2022-02-08T22:41:01Z)
• Leveraging Unsupervised Image Registration for Discovery of Landmark Shape Descriptor [5.40076482533193]
  本稿では,画像からランドマークを発見するための自己教師型深層学習手法を提案する。 我々は、ランドマーク駆動のイメージ登録を主要なタスクとして使用し、ニューラルネットワークにイメージを適切に登録するランドマークを見つけるように強制する。 提案手法は分割と前処理を回避し、2D画像や3D画像のみを用いて使用可能な形状記述子を直接生成する。
  論文  参考訳（メタデータ） (2021-11-13T01:02:10Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Deep learning based geometric registration for medical images: How accurate can we get without visual features? [5.05806585671215]
  ディープラーニングは、画像登録のための新しいアプローチの開発を推進している。 本稿では,幾何学的特徴と最適化のみに基づく登録のための深層学習フレームワークを検討することで,正反対のアプローチを検討する。 実験では, 肺内構造の複雑なキーポイントグラフを用いて, 高密度エンコーダ・デコーダネットワークや他のポイントセット登録法を強力に上回って検証を行った。
  論文  参考訳（メタデータ） (2021-03-01T10:15:47Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)

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。