論文の概要: Enabling Augmented Segmentation and Registration in Ultrasound-Guided Spinal Surgery via Realistic Ultrasound Synthesis from Diagnostic CT Volume

• arxiv url: http://arxiv.org/abs/2301.01940v1
• Date: Thu, 5 Jan 2023 07:28:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 14:37:46.558087
• Title: Enabling Augmented Segmentation and Registration in Ultrasound-Guided Spinal Surgery via Realistic Ultrasound Synthesis from Diagnostic CT Volume
• Title（参考訳）: 診断用CTボリュームからのリアル超音波合成による超音波ガイド下脊柱管手術における拡張分割とレジストレーション
• Authors: Ang Li, Jiayi Han, Yongjian Zhao, Keyu Li, Li Liu
• Abstract要約: 術中臨床USデータの不足は、ニューラルネットワークのトレーニングにおいて、克服不可能なボトルネックとなっている。 In silico bone US simulation framework that really US image from diagnosis CT volume。 脊椎超音波検査のための骨分割を高精度かつオンザフライで実現できる軽量な視覚変換器モデルを訓練する。
• 参考スコア（独自算出の注目度）: 19.177141722698188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper aims to tackle the issues on unavailable or insufficient clinical US data and meaningful annotation to enable bone segmentation and registration for US-guided spinal surgery. While the US is not a standard paradigm for spinal surgery, the scarcity of intra-operative clinical US data is an insurmountable bottleneck in training a neural network. Moreover, due to the characteristics of US imaging, it is difficult to clearly annotate bone surfaces which causes the trained neural network missing its attention to the details. Hence, we propose an In silico bone US simulation framework that synthesizes realistic US images from diagnostic CT volume. Afterward, using these simulated bone US we train a lightweight vision transformer model that can achieve accurate and on-the-fly bone segmentation for spinal sonography. In the validation experiments, the realistic US simulation was conducted by deriving from diagnostic spinal CT volume to facilitate a radiation-free US-guided pedicle screw placement procedure. When it is employed for training bone segmentation task, the Chamfer distance achieves 0.599mm; when it is applied for CT-US registration, the associated bone segmentation accuracy achieves 0.93 in Dice, and the registration accuracy based on the segmented point cloud is 0.13~3.37mm in a complication-free manner. While bone US images exhibit strong echoes at the medium interface, it may enable the model indistinguishable between thin interfaces and bone surfaces by simply relying on small neighborhood information. To overcome these shortcomings, we propose to utilize a Long-range Contrast Learning Module to fully explore the Long-range Contrast between the candidates and their surrounding pixels.
• Abstract（参考訳）: 本研究の目的は, 脊椎外科手術における骨の分節化と登録を可能にするために, 利用できない, 不十分な臨床USデータと有意義なアノテーションに対処することである。 米国は脊椎手術の標準的なパラダイムではないが、手術中の米国内臨床データの不足は、ニューラルネットワークのトレーニングにおいて不可避なボトルネックである。 また, 画像の特徴から, 訓練されたニューラルネットワークが細部への注意を欠く骨表面を明瞭にアノテートすることは困難である。 そこで本研究では,診断用CTボリュームからリアルな米国イメージを合成するインシリコ骨USシミュレーションフレームワークを提案する。 その後、これらの模擬骨USを用いて、脊椎ソノグラフィーのための高精度かつオンザフライ骨分割を実現する軽量視覚トランスフォーマーモデルを訓練する。 評価実験では, 診断用脊椎CT量からリアルなUSシミュレーションを行い, 放射線を含まないペプシクルスクリューの配置を容易化した。 骨分割タスクの訓練に使用する場合、シャンファー距離は0.599mmとなり、ct-us登録に応用すると、関連骨分割精度が0.93、セグメント点雲に基づく登録精度が0.013〜3.37mmとなる。 骨US画像は、中面に強いエコーを示すが、小さな近傍情報に頼るだけで、薄い界面と骨表面を区別できないモデルを可能にする。 これらの欠点を克服するために,Long-range Contrast Learning Moduleを用いて,候補とその周辺画素間のLong-range Contrastを探索する。

関連論文リスト

• Class-Aware Cartilage Segmentation for Autonomous US-CT Registration in Robotic Intercostal Ultrasound Imaging [39.597735935731386]
  形状制約後処理を施したクラスアウェア軟骨骨分節ネットワークを提示し, 患者固有の骨骨格を捕捉する。 一般的なテンプレートから個々の患者へ、宿主間走査経路をマッピングするために、密度の高い骨格グラフに基づく非剛性登録が提示される。 提案手法は,CTテンプレートから個々の患者へのパスを,頑健かつ正確にマッピングできることを示す。
  論文  参考訳（メタデータ） (2024-06-06T14:15:15Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• 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)
• Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
  一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。 アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
  論文  参考訳（メタデータ） (2023-07-07T18:57:21Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Towards Autonomous Atlas-based Ultrasound Acquisitions in Presence of Articulated Motion [48.52403516006036]
  本稿では、自律型ロボットUS手足のスキャンを可能にする視覚ベースのアプローチを提案する。 この目的のために、アノテートされた血管構造を有するヒト腕のアトラスMRIテンプレートを使用して、軌跡を生成する。 いずれの場合も、このシステムはボランティアの手足で計画された血管構造を取得することができる。
  論文  参考訳（メタデータ） (2022-08-10T15:39:20Z)
• CACTUSS: Common Anatomical CT-US Space for US examinations [36.45569352490318]
  腹部大動脈瘤(英: Abdominal aortic aneurysm, AAA)は、大動脈の一部が拡大し、その壁を弱め、血管を破裂させる血管疾患である。 近年の腹部CTデータセットは, 深部神経回路の訓練に有効である。 CACTUSSはCTとUSモダリティの間の仮想ブリッジとして機能し、自動AAAスクリーニングソノグラフィーを可能にする。
  論文  参考訳（メタデータ） (2022-07-18T14:05:25Z)
• Automated femur segmentation from computed tomography images using a deep neural network [0.0]
  骨粗しょう症(英: osteoporosis)は、骨の再生が古い骨の喪失に追いつかず、骨折のリスクが高まるという一般的な骨疾患である。 我々は, 深部畳み込みニューラルネットワークを用いて, CTスキャンから大腿骨の正確な, 自動化され, 堅牢で, 高速なセグメンテーションを創出する, 大腿骨近位部セグメンテーションのための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-01-27T23:37:56Z)

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。