Fugu-MT 論文翻訳(概要): Structure-aware registration network for liver DCE-CT images

論文の概要: Structure-aware registration network for liver DCE-CT images

arxiv url: http://arxiv.org/abs/2303.04595v1
Date: Wed, 8 Mar 2023 14:08:56 GMT
ステータス: 処理完了
システム内更新日: 2023-03-09 13:57:26.795142
Title: Structure-aware registration network for liver DCE-CT images
Title（参考訳）: 肝dce-ct画像の構造認識登録ネットワーク
Authors: Peng Xue, Jingyang Zhang, Lei Ma, Mianxin Liu, Yuning Gu, Jiawei Huang, Feihong Liua, Yongsheng Pan, Xiaohuan Cao, Dinggang Shen
Abstract要約: セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
参考スコア（独自算出の注目度）: 50.28546654316009
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Image registration of liver dynamic contrast-enhanced computed tomography (DCE-CT) is crucial for diagnosis and image-guided surgical planning of liver cancer. However, intensity variations due to the flow of contrast agents combined with complex spatial motion induced by respiration brings great challenge to existing intensity-based registration methods. To address these problems, we propose a novel structure-aware registration method by incorporating structural information of related organs with segmentation-guided deep registration network. Existing segmentation-guided registration methods only focus on volumetric registration inside the paired organ segmentations, ignoring the inherent attributes of their anatomical structures. In addition, such paired organ segmentations are not always available in DCE-CT images due to the flow of contrast agents. Different from existing segmentation-guided registration methods, our proposed method extracts structural information in hierarchical geometric perspectives of line and surface. Then, according to the extracted structural information, structure-aware constraints are constructed and imposed on the forward and backward deformation field simultaneously. In this way, all available organ segmentations, including unpaired ones, can be fully utilized to avoid the side effect of contrast agent and preserve the topology of organs during registration. Extensive experiments on an in-house liver DCE-CT dataset and a public LiTS dataset show that our proposed method can achieve higher registration accuracy and preserve anatomical structure more effectively than state-of-the-art methods.
Abstract（参考訳）: 肝ダイナミックコントラスト造影CT(DCE-CT)の画像登録は,肝癌の診断と画像ガイド下手術計画に不可欠である。しかし, コントラスト剤の流れによる強度変化と呼吸による複雑な空間運動の組み合わせは, 既存の強度に基づく登録法に大きな課題をもたらす。これらの問題に対処するため,我々は,関連する臓器の構造情報をセグメント化誘導深層登録ネットワークに組み込んだ構造認識登録手法を提案する。既存のセグメンテーションガイド登録法は、ペア臓器セグメンテーション内のボリューム登録のみに焦点を当て、解剖学的構造の固有の特性を無視している。さらに、コントラストエージェントのフローのため、DCE-CT画像ではこのようなペアオルガンセグメンテーションが必ずしも利用できない。既存のセグメンテーション誘導登録法と異なり,提案手法は線と表面の階層的幾何学的視点で構造情報を抽出する。そして、抽出された構造情報に基づいて、前後の変形フィールドに同時に構造認識制約を構築して課する。このようにして、欠損した臓器を含むすべての臓器のセグメンテーションは、コントラスト剤の副作用を回避し、登録中の臓器のトポロジーを保存するために完全に利用することができる。社内のDCE-CTデータセットと一般向けLiTSデータセットの大規模な実験により,本手法は登録精度が高く,最先端の手法よりも解剖学的構造を効果的に維持できることが示された。

関連論文リスト

An automated framework for brain vessel centerline extraction from CTA images [28.173407996203153]
CTA画像から脳血管中心を抽出する自動フレームワークを提案する。提案手法は,平均対称中心線距離 (ASCD) と重なり (OV) の観点から,最先端手法より優れている。サブグループ分析では,脳卒中治療における臨床応用において,提案する枠組みが有望であることが示唆された。
論文参考訳（メタデータ） (2024-01-13T11:01:00Z)
Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
論文参考訳（メタデータ） (2023-06-27T14:41:18Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-MR images [74.99415008543276]
多くの深層学習に基づく登録法は、変形場は画像領域の至る所で滑らかで連続的であると仮定する。本研究では,この課題に対処するために,不連続かつ局所的に滑らかな変形場を確保するための新しい不連続保存画像登録手法を提案する。入力画像の構造的相関を学習するために,ネットワークのセグメンテーション成分にコアテンションブロックを提案する。大規模心磁気共鳴画像系列を用いた物体内時間画像登録の課題について検討した。
論文参考訳（メタデータ） (2022-11-24T23:45:01Z)
A multi-organ point cloud registration algorithm for abdominal CT registration [5.0338371688780965]
本研究では,興味ある臓器のサブセットを正確に登録することに焦点を当てる。 BCPDアルゴリズムのマルチオーガナイズ版であるMO-BCPDを導入する。解剖学的ランドマークのターゲット登録誤差は、標準的なBCPDに比べてMO-BCPDの約2倍小さい。
論文参考訳（メタデータ） (2022-03-15T16:27:29Z)
A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文参考訳（メタデータ） (2022-03-01T17:08:41Z)
Recurrent Feature Propagation and Edge Skip-Connections for Automatic Abdominal Organ Segmentation [13.544665065396373]
本稿では,エンコーダ,エッジ検出器,エッジスキップ接続付きデコーダ,繰り返し特徴伝搬ヘッドを含む,エンドツーエンドの4つの主要コンポーネントを訓練した3Dネットワークを提案する。実験の結果,提案したネットワークはいくつかの最先端モデルよりも優れていた。
論文参考訳（メタデータ） (2022-01-02T08:33:19Z)
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)
Hierarchical Deep Network with Uncertainty-aware Semi-supervised Learning for Vessel Segmentation [58.45470500617549]
本稿では,注目機構が血管全体に誘導される低コントラストキャピラリー領域を局在させる階層的なディープネットワークを提案する。提案手法は,底部画像における網膜動脈/静脈の分画とCT画像における肝門/肝血管の分画のベンチマークにおいて,最先端の性能を実現する。
論文参考訳（メタデータ） (2021-05-31T06:55:43Z)
Anatomy-guided Multimodal Registration by Learning Segmentation without Ground Truth: Application to Intraprocedural CBCT/MR Liver Segmentation and Registration [12.861503169117208]
マルチモーダル画像登録は、診断医療画像と画像誘導介入に多くの応用がある。周術期獲得診断画像を周術期内環境に登録する能力は、周術期内腫瘍ターゲティングを改善する可能性がある。対象のモダリティ基礎真理を含まないセグメンテーション学習のためのセグメンテーションネットワーク(APA2Seg-Net)に対する解剖学的保護ドメイン適応を提案する。
論文参考訳（メタデータ） (2021-04-14T18:07:03Z)

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。