論文の概要: Synthetic Skull CT Generation with Generative Adversarial Networks to
Train Deep Learning Models for Clinical Transcranial Ultrasound
- arxiv url: http://arxiv.org/abs/2308.00206v3
- Date: Thu, 1 Feb 2024 04:56:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 19:24:55.275894
- Title: Synthetic Skull CT Generation with Generative Adversarial Networks to
Train Deep Learning Models for Clinical Transcranial Ultrasound
- Title（参考訳）: 医用経頭蓋超音波の深部学習モデルトレーニングのための生成逆ネットワークを用いた合成スカルCT生成
- Authors: Kasra Naftchi-Ardebili, Karanpartap Singh, Reza Pourabolghasem, Pejman
Ghanouni, Gerald R. Popelka, Kim Butts Pauly
- Abstract要約: そこで我々は,合成頭蓋骨CTスライスの大きなデータセットを作成するために,合成対向ネットワーク(SkullGAN)を提案する。
主な障害は、訓練のために十分な頭蓋骨CTスライスがないことである。
SkullGANは、研究者が大量の合成頭蓋骨のCTセグメントを生成することを可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning offers potential for various healthcare applications, yet
requires extensive datasets of curated medical images where data privacy, cost,
and distribution mismatch across various acquisition centers could become major
problems. To overcome these challenges, we propose a generative adversarial
network (SkullGAN) to create large datasets of synthetic skull CT slices,
geared towards training models for transcranial ultrasound. With wide ranging
applications in treatment of essential tremor, Parkinson's, and Alzheimer's
disease, transcranial ultrasound clinical pipelines can be significantly
optimized via integration of deep learning. The main roadblock is the lack of
sufficient skull CT slices for the purposes of training, which SkullGAN aims to
address. Actual CT slices of 38 healthy subjects were used for training. The
generated synthetic skull images were then evaluated based on skull density
ratio, mean thickness, and mean intensity. Their fidelity was further analyzed
using t-distributed stochastic neighbor embedding (t-SNE), Fr\'echet inception
distance (FID) score, and visual Turing test (VTT) taken by four staff clinical
radiologists. SkullGAN-generated images demonstrated similar quantitative
radiological features to real skulls. t-SNE failed to separate real and
synthetic samples from one another, and the FID score was 49. Expert
radiologists achieved a 60\% mean accuracy on the VTT. SkullGAN makes it
possible for researchers to generate large numbers of synthetic skull CT
segments, necessary for training neural networks for medical applications
involving the human skull, such as transcranial focused ultrasound, mitigating
challenges with access, privacy, capital, time, and the need for domain
expertise.
- Abstract（参考訳）: ディープラーニングは、さまざまなヘルスケアアプリケーションに潜在的な可能性を提供するが、データプライバシ、コスト、およびさまざまな買収センター間の分散ミスマッチが大きな問題となるような、キュレートされた医療画像の広範なデータセットを必要とする。
これらの課題を克服するために, 人工頭蓋骨のCTスライスを大規模にデータセット化し, 経頭蓋骨超音波の訓練モデルを構築するために, SkullGAN (Generative Adversarial Network) を提案する。
本態性振動、パーキンソン病、アルツハイマー病の治療における幅広い応用により、経頭蓋超音波臨床パイプラインは深層学習の統合により大幅に最適化できる。
主な障害は、訓練のために十分な頭蓋骨のCTスライスがないことだ。
健常者38名のCTスライスをトレーニングに使用した。
得られた合成頭蓋骨画像は, 頭蓋密度比, 平均厚さ, 平均強度に基づいて評価した。
t-sne(t-distributed stochastic neighbor embedded)、fid(fr\'echet inception distance)スコア(fr\'echet inception distance)、vtt(visual turing test)の4人のスタッフによる分析を行った。
SkullGANにより生成された画像は、実際の頭蓋骨と同様の定量的な放射線学的特徴を示した。
t-sneは実試料と合成試料の分離に失敗し,fidスコアは49。
専門医はVTTの平均精度を60倍に向上した。
skullganは、人間の頭蓋骨に焦点をあてた超音波のような医療応用のためのニューラルネットワークのトレーニング、アクセス、プライバシー、資本、時間、ドメイン専門知識の必要性の軽減などに必要な、大量の合成頭蓋骨ctセグメントを研究者が生成可能にする。
関連論文リスト
- Unsupervised Skull Segmentation via Contrastive MR-to-CT Modality Translation [0.2911706166691895]
CTスキャンによる頭蓋骨のセグメンテーションは、すでに解決されている問題であると見なすことができる。
MRでは、骨ではなく軟部組織の存在により、このタスクは著しく複雑になる。
MR画像上で直接セグメント化を行うのではなく,MR-to-CT変換による合成CTデータ生成を行う。
論文 参考訳（メタデータ） (2024-10-17T10:51:08Z) - 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) - Autonomous Path Planning for Intercostal Robotic Ultrasound Imaging Using Reinforcement Learning [45.5123007404575]
胸腔鏡検査は, 皮下リブケージの音響的影が原因で, 依然として困難である。
本研究は, 内臓器病変のモニタリングを行うために, リブ間の走査経路を計画するための強化学習手法を提案する。
ランダムに定義された単一または複数の走査ターゲットを持つ未確認のCTに対して実験が実施されている。
論文 参考訳（メタデータ） (2024-04-15T16:52:53Z) - TRUSTED: The Paired 3D Transabdominal Ultrasound and CT Human Data for
Kidney Segmentation and Registration Research [42.90853857929316]
腹部超音波(US)データを用いたIMIR(Inter-modal Image registration)と画像分割は,多くの重要な臨床応用例である。
ヒト48例の経腹部3DUSとCT腎像を組み合わせたTRUSTED(Tridimensional Ultra Sound TomodEnsitometrie dataset)を提案する。
論文 参考訳（メタデータ） (2023-10-19T11:09:50Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - Slice-level Detection of Intracranial Hemorrhage on CT Using Deep
Descriptors of Adjacent Slices [0.31317409221921133]
そこで本研究では,隣接するスライスのディスクリプタに基づいて,CTスキャンでエンフスライスレベルの分類器を訓練する新しい手法を提案する。
我々は、RSNA頭蓋内出血データセットの課題における、最高のパフォーマンスソリューションの上位4%において、単一のモデルを得る。
提案手法は汎用的であり,MRIなどの他の3次元診断タスクにも適用可能である。
論文 参考訳（メタデータ） (2022-08-05T23:20:37Z) - Synthetic CT Skull Generation for Transcranial MR Imaging-Guided Focused
Ultrasound Interventions with Conditional Adversarial Networks [5.921808547303054]
経頭蓋MRIガイド下集束超音波(TcMRgFUS)は頭蓋骨内の音をMRIガイド下において非侵襲的に小さな領域に集束する治療用超音波法である。
頭蓋骨を通して超音波を的確に標的にするためには、送信波が目標領域に建設的に干渉する必要がある。
論文 参考訳（メタデータ） (2022-02-21T11:34:29Z) - CT-SGAN: Computed Tomography Synthesis GAN [4.765541373485143]
胸部CTスキャンの小さなデータセットを用いて,大規模な3次元合成CTスキャンボリュームを生成するCT-SGANモデルを提案する。
その結果,CT-SGANは大量の合成データに基づいて結節を事前訓練することにより,肺検出精度を著しく向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-10-14T22:20:40Z) - Generalizable Cone Beam CT Esophagus Segmentation Using Physics-Based
Data Augmentation [4.5846054721257365]
我々は,CT(pCT)とCBCT(cone-beam CT)の計画における食道の分節化のための意味物理学に基づくデータ拡張法を開発した。
191例のpCTおよびCBCTを用いて,食道などの軟部臓器に特異的に設計された多目的損失機能を有する3D-Unetアーキテクチャを訓練した。
我々の物理に基づくデータ拡張は、患者のCBCT/pCTデータにまたがる現実的なノイズ/アーティファクトスペクトルにまたがるものであり、治療のセットアップと反応分析の精度を向上する可能性を秘めている。
論文 参考訳（メタデータ） (2020-06-28T21:12:09Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z)
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。