Fugu-MT 論文翻訳(概要): SMRVIS: Point cloud extraction from 3-D ultrasound for non-destructive testing

論文の概要: SMRVIS: Point cloud extraction from 3-D ultrasound for non-destructive testing

arxiv url: http://arxiv.org/abs/2306.04668v2
Date: Fri, 16 Jun 2023 00:41:44 GMT
ステータス: 処理完了
システム内更新日: 2023-06-19 16:54:34.685741
Title: SMRVIS: Point cloud extraction from 3-D ultrasound for non-destructive testing
Title（参考訳）: SMRVIS:非破壊検査のための3次元超音波からの点雲抽出
Authors: Lisa Y.W. Tang
Abstract要約: 本報告では,5つのラベル付き超音波ボリュームと84のラベルなしボリュームのトレーニングデータセットを用いて,実験結果について報告する。チャレンジのオーガナイザによる外部評価に基づいて、このフレームワークはチャレンジのhrefhttps://www.cvpr2023-dl-ultrasound.com/Leaderboardで初登場した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We propose to formulate point cloud extraction from ultrasound volumes as an image segmentation problem. Through this convenient formulation, a quick prototype exploring various variants of the Residual Network, U-Net, and the Squeeze and Excitation Network was developed and evaluated. This report documents the experimental results compiled using a training dataset of five labeled ultrasound volumes and 84 unlabeled volumes that got completed in a two-week period as part of a submission to the open challenge "3D Surface Mesh Estimation for CVPR workshop on Deep Learning in Ultrasound Image Analysis". Based on external evaluation performed by the challenge's organizers, the framework came first place on the challenge's \href{https://www.cvpr2023-dl-ultrasound.com/}{Leaderboard}. Source code is shared with the research community at a \href{https://github.com/lisatwyw/smrvis}{public repository}.
Abstract（参考訳）: 画像分割問題として超音波ボリュームからの点雲抽出法を提案する。この便利な定式化を通じて、Residual Network, U-Net, and the Squeeze and Excitation Networkの様々な変種を探索し、評価した。本報告では,3D Surface Mesh Estimation for CVPR Workshop on Deep Learning in Ultrasound Image Analysis(CVPR)への提出の一環として,ラベル付き5つの超音波ボリュームと84個の未ラベルボリュームのトレーニングデータセットを用いた実験結果について報告する。チャレンジの主催者による外部評価に基づいて、このフレームワークはチャレンジの \href{https://www.cvpr2023-dl-ultrasound.com/}{Leaderboard} で第一位となった。ソースコードは研究コミュニティと \href{https://github.com/lisatwyw/smrvis}{public repository} で共有されている。

関連論文リスト

LoopSparseGS: Loop Based Sparse-View Friendly Gaussian Splatting [18.682864169561498]
LoopSparseGSは、疎結合なビュー合成タスクのためのループベースの3DGSフレームワークである。 Sparse-Friended Smpling (SFS) 戦略を導入し,ガウス楕円体を過剰に処理し,画素誤差が大きくなった。 4つのデータセットの実験により、LoopSparseGSはスパース・インプット・ノベルビューの合成において既存の最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2024-08-01T03:26:50Z)
R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文参考訳（メタデータ） (2024-05-31T08:39:02Z)
AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文参考訳（メタデータ） (2023-09-25T19:34:12Z)
WNet: A data-driven dual-domain denoising model for sparse-view computed tomography with a trainable reconstruction layer [3.832032989515628]
スパース・ビュー・アーティファクト・デノナイズのためのトレーニング可能な再構成層を含むデータ駆動型デュアルドメイン・デノナイズ・モデルWNetを提案する。我々は2つの臨床的に関連のあるデータセットを用いてネットワークをトレーニングし、その結果を3種類のスパースビューCTと再構成アルゴリズムと比較した。
論文参考訳（メタデータ） (2022-07-01T13:17:01Z)
Point-Unet: A Context-aware Point-based Neural Network for Volumetric Segmentation [18.81644604997336]
本稿では,3次元点雲による深層学習の効率をボリュームセグメンテーションに組み込む新しい手法であるPoint-Unetを提案する。私たちのキーとなるアイデアは、まず注意確率マップを学習することで、ボリュームに対する関心領域を予測することです。異なるメトリクスに関する包括的なベンチマークでは、私たちのコンテキスト認識のPoint-UnetがSOTAのボクセルベースネットワークより優れていることが示されている。
論文参考訳（メタデータ） (2022-03-16T22:02:08Z)
Deep Point Cloud Reconstruction [74.694733918351]
3Dスキャンから得られる点雲は、しばしばスパース、ノイズ、不規則である。これらの問題に対処するため、最近の研究は別々に行われ、不正確な点雲を密度化、復調し、完全な不正確な点雲を観測している。本研究では,1) 初期密度化とデノナイズのための3次元スパース集積時間ガラスネットワーク,2) 離散ボクセルを3Dポイントに変換するトランスフォーマーによる改良,の2段階からなる深部点雲再構成ネットワークを提案する。
論文参考訳（メタデータ） (2021-11-23T07:53:28Z)
Multiple Instance Segmentation in Brachial Plexus Ultrasound Image Using BPMSegNet [7.562735089700208]
超音波画像における神経識別は,局所麻酔の性能を向上させるための重要なステップである。 BPMSegNetは超音波画像中の異なる組織(神経、動脈、静脈、筋肉)を特定するために提案されている。提案するネットワークは, 超音波画像から複数の組織を分離し, 良好な性能が得られる。
論文参考訳（メタデータ） (2020-12-22T13:57:30Z)
Weakly-supervised Learning For Catheter Segmentation in 3D Frustum Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文参考訳（メタデータ） (2020-10-19T13:56:22Z)
Semi-supervised deep learning based on label propagation in a 2D embedded space [117.9296191012968]
提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
論文参考訳（メタデータ） (2020-08-02T20:08:54Z)
Towards segmentation and spatial alignment of the human embryonic brain using deep learning for atlas-based registration [3.8874909016794463]
本研究では,アトラスをベースとした登録のための教師なし深層学習手法を提案し,単一の枠組みで胚性脳のセグメンテーションと空間的アライメントを実現する。我々は、このネットワークをエンドツーエンドにトレーニングし、3D第1三期超音波の課題に類似した合成データセットに基づいて、基礎的な真実に対して検証した。
論文参考訳（メタデータ） (2020-05-13T15:23:44Z)
Learning multiview 3D point cloud registration [74.39499501822682]
本稿では,エンドツーエンドで学習可能なマルチビュー3Dポイントクラウド登録アルゴリズムを提案する。このアプローチは、エンドツーエンドのトレーニングが可能で、計算コストが小さく、最先端のマージンよりも優れています。
論文参考訳（メタデータ） (2020-01-15T03:42:14Z)

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。