論文の概要: VertMatch: A Semi-supervised Framework for Vertebral Structure Detection
in 3D Ultrasound Volume
- arxiv url: http://arxiv.org/abs/2212.14747v1
- Date: Wed, 28 Dec 2022 06:50:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 17:26:15.093076
- Title: VertMatch: A Semi-supervised Framework for Vertebral Structure Detection
in 3D Ultrasound Volume
- Title（参考訳）: vertmatch: 3次元超音波画像における椎体構造検出のための半教師付き枠組み
- Authors: Hongye Zeng, kang Zhou, Songhan Ge, Yuchong Gao, Jianhao Zhao,
Shenghua Gao, Rui Zheng
- Abstract要約: 3次元3次元超音波イメージング技術は, 側頭葉症評価に応用されている。
現在の評価法は、コロナプロジェクション画像のみを使用し、3次元変形と脊椎回転を説明できない。
本稿では,3次元超音波体積中の脊椎構造を検出するための2段階のフレームワークであるVertMatchを提案する。
- 参考スコア（独自算出の注目度）: 26.29675263407612
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Three-dimensional (3D) ultrasound imaging technique has been applied for
scoliosis assessment, but current assessment method only uses coronal
projection image and cannot illustrate the 3D deformity and vertebra rotation.
The vertebra detection is essential to reveal 3D spine information, but the
detection task is challenging due to complex data and limited annotations. We
propose VertMatch, a two-step framework to detect vertebral structures in 3D
ultrasound volume by utilizing unlabeled data in semi-supervised manner. The
first step is to detect the possible positions of structures on transverse
slice globally, and then the local patches are cropped based on detected
positions. The second step is to distinguish whether the patches contain real
vertebral structures and screen the predicted positions from the first step.
VertMatch develops three novel components for semi-supervised learning: for
position detection in the first step, (1) anatomical prior is used to screen
pseudo labels generated from confidence threshold method; (2) multi-slice
consistency is used to utilize more unlabeled data by inputting multiple
adjacent slices; (3) for patch identification in the second step, the
categories are rebalanced in each batch to solve imbalance problem.
Experimental results demonstrate that VertMatch can detect vertebra accurately
in ultrasound volume and outperforms state-of-the-art methods. VertMatch is
also validated in clinical application on forty ultrasound scans, and it can be
a promising approach for 3D assessment of scoliosis.
- Abstract（参考訳）: 3次元超音波画像法がスコリシス評価に応用されているが、現在の評価法ではコロナ射影画像のみを使用し、3次元の変形と椎骨の回転は説明できない。
椎骨検出は三次元脊椎情報を明らかにするのに不可欠であるが,複雑なデータと限定的なアノテーションにより検出作業は困難である。
半教師付きデータを用いて3次元超音波体積の脊椎構造を検出するための2段階のフレームワークであるVertMatchを提案する。
最初のステップは、横スライス上の構造物の位置をグローバルに検出し、検出された位置に基づいて局所パッチをトリミングする。
第2のステップは、パッチが実際の脊椎構造を含むかどうかを識別し、予測された位置を第1のステップからスクリーニングすることである。
VertMatchは,第1段階における位置検出のために,(1)信頼しきい値法から生成された擬似ラベルのスクリーニングに,(2)隣接している複数のスライスを入力して,よりラベルのないデータを利用するためのマルチスライス整合性,(3)第2段階におけるパッチ識別のためのカテゴリをバッチ毎に再バランスして不均衡問題を解決する,という,半教師付き学習のための3つの新しいコンポーネントを開発した。
実験の結果,超音波で椎骨を正確に検出でき,最先端の方法よりも優れていた。
vertmatchは40個の超音波スキャンの臨床応用においても有効であり、スコリシスの3次元評価に有望なアプローチである。
関連論文リスト
- SpineCLUE: Automatic Vertebrae Identification Using Contrastive Learning
and Uncertainty Estimation [12.427024671144869]
脊椎疾患の診断において、任意の視野における動詞の同定が重要な役割を担っている。
スピンレベルの既存の方法は、この課題を満たすことができません。
椎骨レベルでの3次元CT椎骨識別の課題に対処する3段階法を提案する。
論文 参考訳（メタデータ） (2024-01-14T12:02:39Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-01T10:10:46Z) - Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。
本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。
本手法は,多視点グローバル情報を自然に学習することができる。
論文 参考訳（メタデータ） (2023-07-24T14:43:07Z) - 3D unsupervised anomaly detection and localization through virtual
multi-view projection and reconstruction: Clinical validation on low-dose
chest computed tomography [2.2302915692528367]
仮想多視点投影と再構成と呼ばれるコンピュータ支援診断のためのディープニューラルネットワークに基づく手法を提案する。
本手法は, 教師あり学習に基づくゴールド標準と比較して, 患者レベルの異常検出を10%改善する。
異常領域を93%の精度でローカライズし、高い性能を示す。
論文 参考訳（メタデータ） (2022-06-18T13:22:00Z) - Interpretable Vertebral Fracture Quantification via Anchor-Free
Landmarks Localization [0.04925906256430176]
椎体圧迫骨折は骨粗しょう症の早期徴候である。
3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。
そして、個々の椎骨を検出し、同時に2Dで骨折を定量化する。
論文 参考訳（メタデータ） (2022-04-14T08:31:25Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - Transfer Learning from an Artificial Radiograph-landmark Dataset for
Registration of the Anatomic Skull Model to Dual Fluoroscopic X-ray Images [0.4205692673448206]
人工データセットからトレーニングしたディープニューラルネットワークを用いた3次元から2次元への3次元登録のための移動学習戦略を提案する。
女性被験者の頭頸部CTデータから,デジタル再構成X線写真(DRR)とX線学的頭蓋骨のランドマークを自動生成した。
ランドマーク検出のための残留ネットワーク(ResNet)と、DRRと実際のX線とのスタイルの違いを取り除くためにGAN(Cycle Generative Adversarial Network)のトレーニングに使用された。
人工的なトレーニングデータを戦略的に増強する手法は、複雑な頭蓋骨登録シナリオに取り組むことができ、広範な登録シナリオにまで拡張する可能性がある。
論文 参考訳（メタデータ） (2021-08-14T04:49:36Z) - 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) - Assisted Probe Positioning for Ultrasound Guided Radiotherapy Using
Image Sequence Classification [55.96221340756895]
前立腺外照射療法における経皮的超音波画像誘導は, 患者設定中の各セッションにおけるプローブと前立腺の整合性を必要とする。
本研究では,画像とプローブ位置データの共同分類により,高精度なプローブ配置を確保する方法を示す。
マルチ入力マルチタスクアルゴリズムを用いて、光学的追跡された超音波プローブからの空間座標データを、繰り返しニューラルネットワークを用いて画像クラスシファイアと組み合わせ、リアルタイムで2セットの予測を生成する。
このアルゴリズムは平均(標準偏差)3.7$circ$ (1.2$circ$)の範囲内で最適なプローブアライメントを同定する。
論文 参考訳（メタデータ） (2020-10-06T13:55:02Z) - Keypoints Localization for Joint Vertebra Detection and Fracture
Severity Quantification [0.04925906256430176]
椎体圧迫骨折は骨粗しょう症の早期徴候である。
3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。
我々は同時に個々の椎骨を検出し、2Dで骨折を定量化する。
論文 参考訳（メタデータ） (2020-05-25T08:05:27Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。