論文の概要: CT Reconstruction from Few Planar X-rays with Application towards
Low-resource Radiotherapy
- arxiv url: http://arxiv.org/abs/2308.02100v1
- Date: Fri, 4 Aug 2023 01:17:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-07 14:11:49.346984
- Title: CT Reconstruction from Few Planar X-rays with Application towards
Low-resource Radiotherapy
- Title(参考訳): 平面X線からのCT再構成と低出力放射線治療への応用
- Authors: Yiran Sun, Tucker Netherton, Laurence Court, Ashok Veeraraghavan, Guha
Balakrishnan
- Abstract要約: 先行データ分布を用いた5次元平面X線観測からCTボリュームを生成する手法を提案する。
臨床に関連のある特徴に焦点をあてるために,本モデルは訓練中に解剖学的指導を活用できる。
本手法は, 標準画素, 構造レベルの基準値から, 近年のスパースCT再建基準値よりも優れている。
- 参考スコア(独自算出の注目度): 20.353246282326943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: CT scans are the standard-of-care for many clinical ailments, and are needed
for treatments like external beam radiotherapy. Unfortunately, CT scanners are
rare in low and mid-resource settings due to their costs. Planar X-ray
radiography units, in comparison, are far more prevalent, but can only provide
limited 2D observations of the 3D anatomy. In this work, we propose a method to
generate CT volumes from few (<5) planar X-ray observations using a prior data
distribution, and perform the first evaluation of such a reconstruction
algorithm for a clinical application: radiotherapy planning. We propose a deep
generative model, building on advances in neural implicit representations to
synthesize volumetric CT scans from few input planar X-ray images at different
angles. To focus the generation task on clinically-relevant features, our model
can also leverage anatomical guidance during training (via segmentation masks).
We generated 2-field opposed, palliative radiotherapy plans on thoracic CTs
reconstructed by our method, and found that isocenter radiation dose on
reconstructed scans have <1% error with respect to the dose calculated on
clinically acquired CTs using <=4 X-ray views. In addition, our method is
better than recent sparse CT reconstruction baselines in terms of standard
pixel and structure-level metrics (PSNR, SSIM, Dice score) on the public LIDC
lung CT dataset. Code is available at: https://github.com/wanderinrain/Xray2CT.
- Abstract(参考訳): CTスキャンは多くの臨床疾患の標準治療であり、外照射療法のような治療に必要である。
残念なことに、CTスキャナーはそのコストのため、低リソースと中リソースの設定ではまれである。
平面X線撮影装置はより一般的であるが、3次元解剖学の限られた2次元観察しか提供できない。
そこで本研究では, 術前データ分布を用いた, (<5) 平面x線観測からctボリュームを生成する方法を提案し, 放射線治療計画という臨床応用のための再構成アルゴリズムの最初の評価を行う。
入力平面x線画像からの体積ctスキャンを異なる角度で合成するために,神経陰影表現の進歩に基づく深部生成モデルを提案する。
臨床関連特徴に焦点をあてるために,本モデルでは,トレーニング中の解剖学的指導(セグメンテーションマスク)も活用できる。
本法により胸部CTを再建した2フィールド対位放射線治療計画を作成し,<4>X-ray view</4>を用いて得られたCTの線量に対して,再構成スキャンにおける等心線量に1%の誤差が認められた。
また, LIDC肺CTデータセットの標準画素, 構造値(PSNR, SSIM, Diceスコア)では, 近年のスパースCT再建ベースラインよりも優れていた。
コードはhttps://github.com/wanderinrain/xray2ct。
関連論文リスト
- XProspeCT: CT Volume Generation from Paired X-Rays [0.0]
我々は、X線画像をシミュレーションCTボリュームに変換するために、以前の研究に基づいて構築した。
モデルバリエーションには、UNetアーキテクチャ、カスタム接続、アクティベーション関数、損失関数、新しいバックプロジェクションアプローチなどがある。
論文 参考訳(メタデータ) (2024-02-11T21:57:49Z) - UMedNeRF: Uncertainty-aware Single View Volumetric Rendering for Medical
Neural Radiance Fields [38.62191342903111]
生成した放射場に基づく不確実性を考慮したMedNeRF(UMedNeRF)ネットワークを提案する。
我々は,CTプロジェクションレンダリングの結果を1つのX線で示し,生成した放射場に基づく他の手法との比較を行った。
論文 参考訳(メタデータ) (2023-11-10T02:47:15Z) - Transformers for CT Reconstruction From Monoplanar and Biplanar
Radiographs [0.11219061154635457]
両平面X線のみからのCT画像再構成の問題に対処する。
X線は広く利用されており、もしこれらのX線写真から再構成されたCTが、診断における完全なCTの代替ではないとしても、患者が放射線を免れるのに役立つかもしれない。
本稿では,言語翻訳問題として基礎となるタスクをフレーミングすることで,トランスフォーマーアーキテクチャに基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2023-05-11T16:43:39Z) - Geometry-Aware Attenuation Field Learning for Sparse-View CBCT
Reconstruction [61.48254686722434]
Cone Beam Computed Tomography (CBCT) は歯科医療において最も広く用いられている画像診断法である。
Sparse-view CBCT 再建は放射線線量削減に重点を置いている。
本稿では,マルチビューX線プロジェクションからボリューム特徴を初めて符号化することで,新しい減衰場エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - Medical Image Captioning via Generative Pretrained Transformers [57.308920993032274]
我々は、Show-Attend-Tell と GPT-3 という2つの言語モデルを組み合わせて、包括的で記述的な放射線学記録を生成する。
提案モデルは、Open-I、MIMIC-CXR、汎用MS-COCOの2つの医療データセットで検証される。
論文 参考訳(メタデータ) (2022-09-28T10:27:10Z) - Improving Computed Tomography (CT) Reconstruction via 3D Shape Induction [3.1498833540989413]
再現モデルのトレーニング中に現実的なX線分布を取り入れた新しい手法として,CTの監督なしに3次元CTの形状を学習する形状誘導法を提案する。
本研究は, 肺疾患におけるCTの知覚的品質と下流分類の精度を両立させることを実証した。
論文 参考訳(メタデータ) (2022-08-23T13:06:02Z) - Radiomics-Guided Global-Local Transformer for Weakly Supervised
Pathology Localization in Chest X-Rays [65.88435151891369]
Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。
RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
論文 参考訳(メタデータ) (2022-07-10T06:32:56Z) - Context-Aware Transformers For Spinal Cancer Detection and Radiological
Grading [70.04389979779195]
本稿では,脊椎分析に関わる医療画像問題に対するトランスフォーマーを用いた新しいモデルアーキテクチャを提案する。
MR画像におけるそのようなモデルの2つの応用について考察する: (a)脊椎転移の検出と脊椎骨折の関連状況と転移性脊髄圧迫。
画像中の脊椎のコンテキストを考慮することで,SCTは以前に公表したモデルと比較して,いくつかのグレーディングの精度を向上することを示す。
論文 参考訳(メタデータ) (2022-06-27T10:31:03Z) - 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) - MedNeRF: Medical Neural Radiance Fields for Reconstructing 3D-aware
CT-Projections from a Single X-ray [14.10611608681131]
過剰な電離放射線は、体に決定論的かつ有害な影響をもたらす可能性がある。
本稿では,CTプロジェクションの再構成を学習する深層学習モデルを提案する。
論文 参考訳(メタデータ) (2022-02-02T13:25:23Z) - XraySyn: Realistic View Synthesis From a Single Radiograph Through CT
Priors [118.27130593216096]
放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。
私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。
本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
論文 参考訳(メタデータ) (2020-12-04T05:08:53Z)
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。