論文の概要: Skeleton Graph-based Ultrasound-CT Non-rigid Registration
- arxiv url: http://arxiv.org/abs/2305.08228v1
- Date: Sun, 14 May 2023 19:21:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 16:46:19.085860
- Title: Skeleton Graph-based Ultrasound-CT Non-rigid Registration
- Title（参考訳）: 骨格グラフに基づく超音波CT非剛性レジストレーション
- Authors: Zhongliang Jiang, Xuesong Li, Chenyu Zhang, Yuan Bi, Walter Stechele,
Nassir Navab
- Abstract要約: 皮膚下骨表面の特徴を用いて患者固有の特性を適応させるスケルトングラフに基づく非リグイド登録を提案する。
提案手法を検証するために,1人のボランティアと7つのCT軟骨点群から,異なる患者からUS軟骨点群を手動で抽出した。
- 参考スコア（独自算出の注目度）: 40.40844749663152
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous ultrasound (US) scanning has attracted increased attention, and it
has been seen as a potential solution to overcome the limitations of
conventional US examinations, such as inter-operator variations. However, it is
still challenging to autonomously and accurately transfer a planned scan
trajectory on a generic atlas to the current setup for different patients,
particularly for thorax applications with limited acoustic windows. To address
this challenge, we proposed a skeleton graph-based non-rigid registration to
adapt patient-specific properties using subcutaneous bone surface features
rather than the skin surface. To this end, the self-organization mapping is
successively used twice to unify the input point cloud and extract the key
points, respectively. Afterward, the minimal spanning tree is employed to
generate a tree graph to connect all extracted key points. To appropriately
characterize the rib cartilage outline to match the source and target point
cloud, the path extracted from the tree graph is optimized by maximally
maintaining continuity throughout each rib. To validate the proposed approach,
we manually extract the US cartilage point cloud from one volunteer and seven
CT cartilage point clouds from different patients. The results demonstrate that
the proposed graph-based registration is more effective and robust in adapting
to the inter-patient variations than the ICP (distance error mean/SD: 5.0/1.9
mm vs 8.6/6.7 mm on seven CTs).
- Abstract（参考訳）: 自律型超音波(US)スキャンは注目を集めており、術者間変動などの従来のアメリカの検査の限界を克服するための潜在的な解決策と見なされている。
しかしながら、特に音響窓が制限された胸郭アプリケーションにおいて、ジェネリック・アトラス上で計画されたスキャン軌道を、他の患者のために現在の設定に自律的かつ正確に転送することは依然として困難である。
この課題に対処するため,皮膚表面ではなく皮下骨表面の特徴を用いて患者固有の特性を適応する骨格グラフに基づく非剛性登録法を提案した。
この目的のために、それぞれ入力点雲を統一し、キーポイントを抽出するために、自己組織化マッピングを2回連続して使用する。
その後、最小のスパンニングツリーを使用して、抽出されたすべてのキーポイントを接続するツリーグラフを生成する。
ソースおよびターゲットポイントクラウドに適合するリブ軟骨輪郭を適切に特徴付けるため、ツリーグラフから抽出されたパスは、リブ全体にわたって連続性を最大に維持することにより最適化される。
提案手法を検証するために,1人のボランティアと7つのCT軟骨点群から,異なる患者からUS軟骨点群を手動で抽出した。
以上の結果より,ICP (distance error mean/SD: 5.0/1.9 mm vs 8.6/6.7 mm on 7 CTs) よりも患者間変動に適応する上で,グラフベース登録の方が有効で堅牢であることが示唆された。
関連論文リスト
- Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - 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) - DeepVox and SAVE-CT: a contrast- and dose-independent 3D deep learning
approach for thoracic aorta segmentation and aneurysm prediction using
computed tomography scans [2.3135717943756307]
胸部大動脈瘤(英: Thoracic aortic aneurysm,TAA)は、大動脈の進行拡大による解離や破裂を引き起こす致命的な疾患である。
その他の指標は、このスクリーニングに役立つが、コントラスト増強や低用量プロトコールを伴わずに取得すれば、臨床評価が困難になる可能性がある。
本研究は, 対照群とTAA患者を含む587種類のCTスキャンを, コントラスト増強の有無にかかわらず低線量および標準線量プロトコールで取得した。
新たなセグメンテーションモデルであるDeepVoxは,開発およびテストセットに対してそれぞれ0.932と0.897のダイススコア係数を示した。
論文 参考訳（メタデータ） (2023-10-23T19:48:58Z) - 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 Airway Tree Segmentation in CT Scans via Anatomy-aware
Multi-class Segmentation and Topology-guided Iterative Learning [15.492349389589121]
CT(Computed tomography)における胸腔内気道セグメンテーションは様々な呼吸器疾患解析の前提条件である。
既存のエアウェイデータセットのほとんどは、不完全なラベル付き/注釈付きである。
本稿では,トポロジ誘導型反復型自己学習によって強化された,解剖学に適応したマルチクラスエアウェイセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-06-15T13:23:05Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳（メタデータ） (2022-06-22T14:19:06Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features
Selection [1.990876596716716]
子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。
ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。
このフレームワークは3つの公開ベンチマークデータセットで評価されている。
論文 参考訳（メタデータ） (2021-06-09T08:57:22Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。