Fugu-MT 論文翻訳(概要): Learning ultrasound plane pose regression: assessing generalized pose coordinates in the fetal brain

論文の概要: Learning ultrasound plane pose regression: assessing generalized pose coordinates in the fetal brain

arxiv url: http://arxiv.org/abs/2301.08317v1
Date: Thu, 19 Jan 2023 21:16:36 GMT
ステータス: 処理完了
システム内更新日: 2023-01-23 14:17:10.627628
Title: Learning ultrasound plane pose regression: assessing generalized pose coordinates in the fetal brain
Title（参考訳）: 超音波平面ポーズ回帰の学習:胎児脳における一般化ポーズ座標の評価
Authors: Chiara Di Vece, Maela Le Lous, Brian Dromey, Francisco Vasconcelos, Anna L David, Donald Peebles, Danail Stoyanov
Abstract要約: 我々は,センサを付加することなく,3次元可視化,トレーニング,ガイダンスのための米国の航空機ローカライゼーションシステムを構築することを目指している。この研究は、胎児の脳をスライスする米国飛行機の6次元(6次元)のポーズを予測する、これまでの研究に基づいています。トレーニングおよびテストデータにおける登録品質の影響とその後のトレーニングモデルへの影響について検討する。
参考スコア（独自算出の注目度）: 9.885846046995685
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In obstetric ultrasound (US) scanning, the learner's ability to mentally build a three-dimensional (3D) map of the fetus from a two-dimensional (2D) US image represents a significant challenge in skill acquisition. We aim to build a US plane localization system for 3D visualization, training, and guidance without integrating additional sensors. This work builds on top of our previous work, which predicts the six-dimensional (6D) pose of arbitrarily-oriented US planes slicing the fetal brain with respect to a normalized reference frame using a convolutional neural network (CNN) regression network. Here, we analyze in detail the assumptions of the normalized fetal brain reference frame and quantify its accuracy with respect to the acquisition of transventricular (TV) standard plane (SP) for fetal biometry. We investigate the impact of registration quality in the training and testing data and its subsequent effect on trained models. Finally, we introduce data augmentations and larger training sets that improve the results of our previous work, achieving median errors of 3.53 mm and 6.42 degrees for translation and rotation, respectively.
Abstract（参考訳）: 超音波(US)スキャンでは、2次元(2D)US画像から胎児の3次元(3D)マップを精神的に構築する学習者の能力は、スキル獲得において重要な課題である。我々は,センサを付加することなく,3次元可視化,トレーニング,ガイダンスのための米国の航空機ローカライゼーションシステムの構築を目指している。これは、畳み込みニューラルネットワーク(CNN)レグレッションネットワークを用いて、胎児の脳を正常化された参照フレームにスライスする、任意指向の米国平面の6次元(6次元)ポーズを予測するものである。そこで本研究では、正常化胎児脳基準フレームの仮定を詳細に分析し、胎児生体計測のための経室的(tv)標準平面(sp)の取得に関してその精度を定量化する。登録品質がトレーニングおよびテストデータに与える影響と,それに続くトレーニングモデルへの影響について検討する。最後に,先行研究の結果を改善するデータ拡張とより大きなトレーニングセットを導入し,それぞれ3.53mmと6.42度の平均誤差を達成した。

関連論文リスト

Geometric Transformation Uncertainty for Improving 3D Fetal Brain Pose Prediction from Freehand 2D Ultrasound Videos [0.8579241568505183]
2次元胎児脳画像における3次元面の自動位置決めのための不確実性を考慮した深層学習モデルを提案する。提案手法であるQAERTSは、現状や不確実性に基づくアプローチよりも優れたポーズ推定精度を示す。
論文参考訳（メタデータ） (2024-05-21T22:42:08Z)
Measuring proximity to standard planes during fetal brain ultrasound scanning [8.328549443700858]
本稿では,超音波(US)平面を臨床利用に近づけるための新しいパイプラインを提案する。ラベル付きSPとラベルなしUSボリュームスライスの両方を利用した半教師付きセグメンテーションモデルを提案する。本モデルでは, 胎児の脳画像に対して, 信頼性の高いセグメンテーションを可能にする。
論文参考訳（メタデータ） (2024-04-10T16:04:21Z)
FetusMapV2: Enhanced Fetal Pose Estimation in 3D Ultrasound [28.408626329596668]
以上の課題を克服するために,新しい3次元ポーズ推定フレームワーク(FetusMapV2)を提案する。まず,ネットワーク構造に制約がなく,アクティベーションに制約のないGPUメモリ管理手法を提案する。第2に、対称構造と類似の解剖構造による混乱を軽減するために、新しいペアロスを設計する。第3に、比較的安定したランドマークを選択して、オンラインのポーズを洗練させることにより、自己指導型形状事前学習を提案する。
論文参考訳（メタデータ） (2023-10-30T06:18:47Z)
Video Pretraining Advances 3D Deep Learning on Chest CT Tasks [63.879848037679224]
大規模自然画像分類データセットの事前学習は、データスカース2D医療タスクのモデル開発に役立っている。これらの2Dモデルは、3Dコンピュータビジョンベンチマークで3Dモデルに勝っている。 3Dモデルのためのビデオ事前トレーニングにより、より小さなデータセットでより高性能な3D医療タスクを実現することができることを示す。
論文参考訳（メタデータ） (2023-04-02T14:46:58Z)
Agent with Tangent-based Formulation and Anatomical Perception for Standard Plane Localization in 3D Ultrasound [56.7645826576439]
3D USにおけるSP自動位置決めのための新しい強化学習フレームワークを提案する。まず、RLにおける接点に基づく問題として、3D USにおけるSP局所化を定式化し、作用空間を再構成する。第2に、平面探索における非SPとSPの交差する微妙な違いを認識するモデルの能力を高めるための補助的タスク学習戦略を設計する。
論文参考訳（メタデータ） (2022-07-01T14:53:27Z)
Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
論文参考訳（メタデータ） (2021-07-31T16:06:50Z)
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)
Cephalometric Landmark Regression with Convolutional Neural Networks on 3D Computed Tomography Data [68.8204255655161]
側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
論文参考訳（メタデータ） (2020-07-20T12:45:38Z)
Region Proposal Network with Graph Prior and IoU-Balance Loss for Landmark Detection in 3D Ultrasound [16.523977092204813]
3D超音波(US)は胎児の成長モニタリングのための詳細な出生前検査を容易にする。 3DUSボリュームを分析するためには、解剖学的ランドマークを正確に同定することが基本である。我々は3次元顔USボリュームのランドマークを検出するためにオブジェクト検出フレームワークを利用する。
論文参考訳（メタデータ） (2020-04-01T03:00:03Z)
FetusMap: Fetal Pose Estimation in 3D Ultrasound [42.59502360552173]
そこで本研究では, 胎児の3次元姿勢を推定し, その定量的解析を容易にすることを提案する。これは文学における胎児の3次元ポーズ推定に関する最初の研究である。本稿では、深層ネットワークを微調整し、視覚的に妥当なポーズ予測を形成するための自己教師付き学習(SSL)フレームワークを提案する。
論文参考訳（メタデータ） (2019-10-11T01:45:09Z)
Agent with Warm Start and Active Termination for Plane Localization in 3D Ultrasound [56.14006424500334]
超音波(US)診断には標準面の局在が不可欠である。出生前のアメリカでは、何十もの標準的な飛行機が手動で2Dプローブで取得される。胎児脳標準平面を3DUSで自動的に局所化するための新しい強化学習フレームワークを提案する。
論文参考訳（メタデータ） (2019-10-10T02:21:52Z)

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。