論文の概要: LSDM: Long-Short Diffeomorphic Motion for Weakly-Supervised Ultrasound
Landmark Tracking
- arxiv url: http://arxiv.org/abs/2301.04748v1
- Date: Wed, 11 Jan 2023 22:57:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 14:28:53.441493
- Title: LSDM: Long-Short Diffeomorphic Motion for Weakly-Supervised Ultrasound
Landmark Tracking
- Title（参考訳）: LSDMによる超音波ランドマーク追跡の高精度化
- Authors: Zhihua Liu, Bin Yang, Yan Shen, Xuejun Ni, Huiyu Zhou
- Abstract要約: ランドマークの可塑性変形を探索する前に学習可能な変形を有するマルチタスク・フレームワークである長短微分同相運動ネットワークを提案する。
具体的には、時間長領域と短領域の両方で新しい微分同相表現を設計し、運動マージンを規定する。
局所解剖学的曖昧さをさらに軽減するため,我々は最大運動アライメントモジュールを提案する。
- 参考スコア（独自算出の注目度）: 18.526583948595555
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate tracking of an anatomical landmark over time has been of high
interests for disease assessment such as minimally invasive surgery and tumor
radiation therapy. Ultrasound imaging is a promising modality benefiting from
low-cost and real-time acquisition. However, generating a precise landmark
tracklet is very challenging, as attempts can be easily distorted by different
interference such as landmark deformation, visual ambiguity and partial
observation. In this paper, we propose a long-short diffeomorphic motion
network, which is a multi-task framework with a learnable deformation prior to
search for the plausible deformation of landmark. Specifically, we design a
novel diffeomorphism representation in both long and short temporal domains for
delineating motion margins and reducing long-term cumulative tracking errors.
To further mitigate local anatomical ambiguity, we propose an expectation
maximisation motion alignment module to iteratively optimize both long and
short deformation, aligning to the same directional and spatial representation.
The proposed multi-task system can be trained in a weakly-supervised manner,
which only requires few landmark annotations for tracking and zero annotation
for long-short deformation learning. We conduct extensive experiments on two
ultrasound landmark tracking datasets. Experimental results show that our
proposed method can achieve better or competitive landmark tracking performance
compared with other state-of-the-art tracking methods, with a strong
generalization capability across different scanner types and different
ultrasound modalities.
- Abstract（参考訳）: 解剖学的ランドマークの正確な追跡は、低侵襲手術や腫瘍放射線治療などの疾患評価に高い関心を集めてきた。
超音波イメージングは、低コストでリアルタイムな取得の恩恵を受ける有望なモダリティである。
しかし、正確なランドマークのトラックレットの生成は非常に困難であり、ランドマークの変形、視覚的あいまいさ、部分的な観察などの異なる干渉によって試みは容易に歪められる。
本稿では,ランドマークの可塑性変形を探索する前に学習可能な変形を有するマルチタスク・フレームワークである長短微分同相運動ネットワークを提案する。
具体的には,長周期領域と短周期領域の両方に新たな微分同相表現を設計し,長期累積追跡誤差を低減させる。
さらに, 局所解剖学的曖昧さを緩和するために, 長変形と短変形の両方を反復的に最適化する期待最大化運動アライメントモジュールを提案する。
提案したマルチタスクシステムは,長短変形学習のための目覚しいアノテーションとゼロアノテーションをほとんど必要とせず,弱教師付きでトレーニングすることができる。
2つの超音波ランドマーク追跡データセットについて広範な実験を行った。
実験結果から,提案手法は,他の最先端の追跡手法と比較して,より優れた,あるいは競争力のあるランドマーク追跡性能を達成できることが示唆された。
関連論文リスト
- TEAM PILOT -- Learned Feasible Extendable Set of Dynamic MRI Acquisition Trajectories [2.7719338074999547]
本稿では,3次元ウィンドウアテンションとフレキシブルで時間的に拡張可能な獲得軌跡を用いた新しい深部圧縮型センシング手法を提案する。
本手法は既存の手法と比較してトレーニング時間と推論時間を著しく短縮する。
実データによるテストは、我々のアプローチが現在の最先端技術よりも優れていることを示している。
論文 参考訳（メタデータ） (2024-09-19T13:45:13Z) - SpaER: Learning Spatio-temporal Equivariant Representations for Fetal Brain Motion Tracking [6.417960463128722]
SpaERは胎児運動追跡の先駆的手法である。
我々は,剛体運動列を効率的に学習する同変ニューラルネットワークを開発した。
シミュレーションおよび実動作を用いた実胎児エコープラナー画像を用いて本モデルの有効性を検証した。
論文 参考訳（メタデータ） (2024-07-29T17:24:52Z) - LEAP-VO: Long-term Effective Any Point Tracking for Visual Odometry [52.131996528655094]
本稿では,LEAP(Long-term Effective Any Point Tracking)モジュールについて述べる。
LEAPは、動的トラック推定のために、視覚的、トラック間、時間的キューと慎重に選択されたアンカーを革新的に組み合わせている。
これらの特徴に基づき,強靭な視力計測システムLEAP-VOを開発した。
論文 参考訳（メタデータ） (2024-01-03T18:57:27Z) - Holistic Representation Learning for Multitask Trajectory Anomaly
Detection [65.72942351514956]
そこで本研究では,異なる時間帯における骨格軌跡の包括的表現による予測運動の学習を提案する。
我々は、時間的閉鎖された軌道を符号化し、ブロックされたセグメントの潜在表現を共同学習し、異なる時間的セグメントにわたる期待運動に基づいて軌道を再構築する。
論文 参考訳（メタデータ） (2023-11-03T11:32:53Z) - MotionTrack: Learning Robust Short-term and Long-term Motions for
Multi-Object Tracking [56.92165669843006]
本研究では,短時間から長期間の軌跡を関連づける統合フレームワークで,堅牢な短期・長期動作を学習するMotionTrackを提案する。
密集した群集に対して,各ターゲットの複雑な動きを推定できる,短時間の軌跡から相互作用認識動作を学習するための新しい対話モジュールを設計する。
極端なオクルージョンのために、ターゲットの履歴軌跡から信頼できる長期動作を学習するための新しいRefind Moduleを構築し、中断された軌跡とそれに対応する検出とを関連付けることができる。
論文 参考訳（メタデータ） (2023-03-18T12:38:33Z) - Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。
本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
論文 参考訳（メタデータ） (2022-09-01T10:46:09Z) - Unsupervised inter-frame motion correction for whole-body dynamic PET
using convolutional long short-term memory in a convolutional neural network [9.349668170221975]
我々は、フレーム間の身体の動きを補正するための教師なしのディープラーニングベースのフレームワークを開発する。
運動推定ネットワークは、畳み込み長短期記憶層を組み合わせた畳み込みニューラルネットワークである。
トレーニング後,提案したネットワークの動作推定時間は,従来の登録ベースラインの約460倍の速度であった。
論文 参考訳（メタデータ） (2022-06-13T17:38:16Z) - Neural Computed Tomography [1.7188280334580197]
一連のプロジェクションの取得時の運動は、CT再構成において重要な運動アーティファクトにつながる可能性がある。
動作成果物から解放された時間分解画像を生成するための新しい再構成フレームワークであるNeuralCTを提案する。
論文 参考訳（メタデータ） (2022-01-17T18:50:58Z) - Unsupervised Landmark Detection Based Spatiotemporal Motion Estimation
for 4D Dynamic Medical Images [16.759486905827433]
2段階からなるDense-Sparse-Dense (DSD) の新たな動き推定フレームワークを提案する。
第1段階では, 対象臓器解剖学的トポロジーを表すために, 粗いランドマークを抽出するために, 生の高密度画像を処理する。
第2段階では、異なる時間点の2つの画像の抽出されたスパースランドマークからスパース運動変位を導出する。
論文 参考訳（メタデータ） (2021-09-30T02:06:02Z) - Continuity-Discrimination Convolutional Neural Network for Visual Object
Tracking [150.51667609413312]
本稿では,視覚オブジェクト追跡のためのContinuity-Discrimination Convolutional Neural Network (CD-CNN) という新しいモデルを提案する。
この問題に対処するため、cd-cnnは時間的遅れの概念に基づいた時間的外観連続性をモデル化する。
不正確なターゲットの定位とドリフトを緩和するために,新しい概念 object-centroid を提案する。
論文 参考訳（メタデータ） (2021-04-18T06:35:03Z) - A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions
Artefacts in MRI Scans [63.28835187934139]
本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。
提案法は患者の多動運動によって生成された人工物に応用できる。
論文 参考訳（メタデータ） (2020-06-24T15:25:11Z)
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。