論文の概要: Non-rigid Medical Image Registration using Physics-informed Neural Networks

• arxiv url: http://arxiv.org/abs/2302.10343v1
• Date: Mon, 20 Feb 2023 22:17:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-22 17:01:54.029586
• Title: Non-rigid Medical Image Registration using Physics-informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いた非剛性医用画像登録
• Authors: Zhe Min, Zachary M. C. Baum, Shaheer U. Saeed, Mark Emberton, Dean C. Barratt, Zeike A. Taylor, Yipeng Hu
• Abstract要約: 軟組織の生体力学的モデリングは、医用画像の登録を制限する非データ駆動方式を提供する。 この研究は、最近提案された物理インフォームドニューラルネットワーク(PINN)を、前立腺運動をモデル化するための3次元線形弾性モデルにインスタンス化する。
• 参考スコア（独自算出の注目度）: 8.7196937169933
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Biomechanical modelling of soft tissue provides a non-data-driven method for constraining medical image registration, such that the estimated spatial transformation is considered biophysically plausible. This has not only been adopted in real-world clinical applications, such as the MR-to-ultrasound registration for prostate intervention of interest in this work, but also provides an explainable means of understanding the organ motion and spatial correspondence establishment. This work instantiates the recently-proposed physics-informed neural networks (PINNs) to a 3D linear elastic model for modelling prostate motion commonly encountered during transrectal ultrasound guided procedures. To overcome a widely-recognised challenge in generalising PINNs to different subjects, we propose to use PointNet as the nodal-permutation-invariant feature extractor, together with a registration algorithm that aligns point sets and simultaneously takes into account the PINN-imposed biomechanics. The proposed method has been both developed and validated in both patient-specific and multi-patient manner.
• Abstract（参考訳）: 軟部組織の生体力学的モデリングは、推定空間変換が生物学的に妥当であると考えられるように、医療画像登録を制限する非データ駆動方式を提供する。 MR-to-ultrasound(MR-to-ultrasound)の登録など、実際の臨床応用のみならず、臓器の動きや空間対応の確立を理解するための説明可能な手段も提供されてきた。 この研究は、最近提案された物理インフォームドニューラルネットワーク(PINN)を、経直腸超音波ガイド下手術でよく発生する前立腺運動をモデル化するための3次元線形弾性モデルにインスタンス化する。 PINNを異なる主題に一般化する上で広く認識されている課題を克服するため,我々は,PINNに付与された生体力学を考慮に入れながら,ポイントセットをアライメントする登録アルゴリズムとともに,ノード置換不変な特徴抽出器としてPointNetを使用することを提案する。 提案手法は, 患者固有の方法と多患者の方法の両方で開発, 検証されている。

関連論文リスト

• Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
  クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。 本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。 臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
  論文  参考訳（メタデータ） (2024-09-18T13:40:59Z)
• Data-Driven Tissue- and Subject-Specific Elastic Regularization for Medical Image Registration [4.58068454185216]
  弾性正則化器の組織依存弾性パラメータを学習するための新しいデータ駆動手法を提案する。 本手法は,3種類の3Dおよび3D肺CTおよび心MRデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2024-07-05T08:50:55Z)
• 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)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• 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)
• Generative Myocardial Motion Tracking via Latent Space Exploration with Biomechanics-informed Prior [16.129107206314043]
  心筋運動と変形は、心臓機能を特徴づける豊富な記述子である。 画像登録は、心筋運動追跡において最も一般的に用いられる手法であり、不適切な逆問題である。 本稿では,アプリケーション固有のバイオメカニクスを前もって暗黙的に学習する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-08T12:02:00Z)
• PhysGNN: A Physics-Driven Graph Neural Network Based Model for Predicting Soft Tissue Deformation in Image-Guided Neurosurgery [0.15229257192293202]
  グラフニューラルネットワーク(GNN)を利用した有限要素解析(FEA)の解を近似したデータ駆動モデルを提案する。 提案アーキテクチャであるPhysGNNは,神経外科的設定に適した計算可能でありながら,正確かつ高速な軟部組織変形近似を約束する。
  論文  参考訳（メタデータ） (2021-09-09T15:43:59Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Tattoo tomography: Freehand 3D photoacoustic image reconstruction with an optical pattern [49.240017254888336]
  光音響トモグラフィ(PAT)は、形態学的および機能的組織特性の両方を解決することができる新しいイメージング技術である。 現在の欠点は、従来の2Dプローブによって提供される視野の制限である。 本研究では,外部追跡システムを必要としないPATデータの3次元再構成手法を提案する。
  論文  参考訳（メタデータ） (2020-11-10T09:27:56Z)
• Prostate motion modelling using biomechanically-trained deep neural networks on unstructured nodes [0.28470372019928303]
  生体力学シミュレーションを用いて深部ニューラルネットワークをトレーニングし,超音波ガイド下介入時の前立腺運動を予測する。 PointNetは、有限要素(FE)シミュレーションを接地トラストデータとして使用して、ノイズ変位を予測するために訓練することができる。 320名の患者の臨床像データに対する160,000個の非線形FEシミュレーションに基づいて, トレーニングされたネットワークが, ホールドアウト患者セグメンテーションから直接サンプリングされた非構造化点集合に一般化されることを実証した。
  論文  参考訳（メタデータ） (2020-07-09T17:58:41Z)
• Biomechanics-informed Neural Networks for Myocardial Motion Tracking in MRI [15.686391154738006]
  本稿では,バイオメカニクスによる正規化を暗黙的に学習する手法を提案する。 心臓MRIデータの2次元スタック上での心筋運動追跡の文脈において,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-06-08T16:29:13Z)

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。