Fugu-MT 論文翻訳(概要): Meshes Meet Voxels: Abdominal Organ Segmentation via Diffeomorphic Deformations

論文の概要: Meshes Meet Voxels: Abdominal Organ Segmentation via Diffeomorphic Deformations

arxiv url: http://arxiv.org/abs/2306.15515v1
Date: Tue, 27 Jun 2023 14:41:18 GMT
ステータス: 処理完了
システム内更新日: 2023-06-28 13:12:44.417631
Title: Meshes Meet Voxels: Abdominal Organ Segmentation via Diffeomorphic Deformations
Title（参考訳）: Voxelsとのメッシュ: 異方性変形による腹部臓器の分節
Authors: Fabian Bongratz, Anne-Marie Rickmann, Christian Wachinger
Abstract要約: 腹部臓器に対する新しい微分型形状変形法であるUNetFlowを提案する。以上の結果より,手動注記CTデータに対する精度が向上し,従来法と比較して位相的正確性が向上した。
参考スコア（独自算出の注目度）: 3.7814216736076434
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Abdominal multi-organ segmentation from CT and MRI is an essential prerequisite for surgical planning and computer-aided navigation systems. Three-dimensional numeric representations of abdominal shapes are further important for quantitative and statistical analyses thereof. Existing methods in the field, however, are unable to extract highly accurate 3D representations that are smooth, topologically correct, and match points on a template. In this work, we present UNetFlow, a novel diffeomorphic shape deformation approach for abdominal organs. UNetFlow combines the advantages of voxel-based and mesh-based approaches for 3D shape extraction. Our results demonstrate high accuracy with respect to manually annotated CT data and better topological correctness compared to previous methods. In addition, we show the generalization of UNetFlow to MRI.
Abstract（参考訳）: CTとMRIによる腹部多臓器分割は,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。腹部形状の三次元数値表現は, 定量的, 統計学的にさらに重要である。しかし、既存の手法では、滑らかで位相的に正しい、テンプレート上のポイントにマッチする高度に正確な3d表現を抽出できない。本研究では,腹部臓器に対する新しい微分型形状変形法であるUNetFlowを提案する。 UNetFlowは3次元形状抽出のためのボクセルベースのアプローチとメッシュベースのアプローチの利点を組み合わせたものだ。以上の結果より,手動注記CTデータに対する精度が向上し,従来法と比較して位相的正確性が向上した。また,MRIへのUNetFlowの一般化について述べる。

関連論文リスト

Teaching AI the Anatomy Behind the Scan: Addressing Anatomical Flaws in Medical Image Segmentation with Learnable Prior [34.54360931760496]
臓器の数、形状、相対的な位置などの重要な解剖学的特徴は、堅牢な多臓器分割モデルの構築に不可欠である。我々は Anatomy-Informed Network (AIC-Net) と呼ばれる新しいアーキテクチャを導入する。 AIC-Netは、患者固有の解剖学に適応できる「解剖学的事前」と呼ばれる学習可能な入力を組み込んでいる。
論文参考訳（メタデータ） (2024-03-27T10:46:24Z)
ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
論文参考訳（メタデータ） (2023-12-11T07:09:32Z)
Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文参考訳（メタデータ） (2023-12-08T18:11:22Z)
AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with Imperfect Anatomical Knowledge [9.961742312147674]
自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
論文参考訳（メタデータ） (2023-10-07T03:22:06Z)
S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文参考訳（メタデータ） (2023-04-15T09:39:52Z)
Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。既存のディープラーニングベースの手法は、有望な再構築性能を得た。本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文参考訳（メタデータ） (2022-12-26T13:56:12Z)
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)
Unsupervised Domain Adaptation through Shape Modeling for Medical Image Segmentation [23.045760366698634]
医用画像のセグメンテーションを支援するために, 形状を明示的にモデル化し, 利用することを目的としている。従来の方法では、特定の臓器の形状の分布を学習するための変分オートエンコーダ(VAE)モデルが提案されていた。本研究では,教師/学生の学習パラダイムの下で,擬似的損失とVAE再構成損失に基づく教師なしドメイン適応パイプラインを提案する。
論文参考訳（メタデータ） (2022-07-06T09:16:42Z)
Body Part Regression for CT Images [0.0]
CTボリュームの自己教師付き身体部分回帰モデルを開発し、異種CT研究の収集に基づいて訓練した。本研究は, このアルゴリズムが医療モデルの医院への堅牢かつ信頼性の高い移行にどのように貢献するかを示す。
論文参考訳（メタデータ） (2021-10-18T10:03:42Z)
Contour Transformer Network for One-shot Segmentation of Anatomical Structures [26.599337546171732]
本稿では,自然に組み込まれたループ機構を備えたワンショット解剖分類手法であるContour Transformer Network(CTN)を提案する。 4つの解剖学のセグメンテーションタスクにおいて、我々のワンショット学習法が非学習的手法を著しく上回っていることを示す。最小限のHuman-in-the-loop編集フィードバックにより、セグメンテーション性能は、完全に教師されたメソッドを超えるようにさらに改善される。
論文参考訳（メタデータ） (2020-12-02T19:42:18Z)
Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文参考訳（メタデータ） (2020-07-04T07:56:02Z)

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。