Fugu-MT 論文翻訳(概要): CT Reconstruction from Few Planar X-rays with Application towards Low-resource Radiotherapy

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

DIFR3CT: Latent Diffusion for Probabilistic 3D CT Reconstruction from Few Planar X-Rays [15.83915012691264]
DIFR3CTは平面X線観測から可塑性CT体積を生成する3次元潜時拡散モデルである。本研究は,DIFR3CTが従来の画素レベルにおいて,近年のスパースCT再建ベースラインより優れていることを示す実験である。また,DIFR3CTはモンテカルロサンプリングによる不確実な定量化をサポートし,再現信頼性を計測する機会を提供することを示した。
論文参考訳（メタデータ） (2024-08-27T14:58:08Z)
Coarse-Fine View Attention Alignment-Based GAN for CT Reconstruction from Biplanar X-Rays [22.136553745483305]
本稿では,両平面ビューから抽出した特徴を組み合わせるために,新しい注目インフォームド粗視視融合法を提案する。提案手法がSOTA法よりも優れていることを示す実験を行った。
論文参考訳（メタデータ） (2024-08-19T06:57:07Z)
DiffuX2CT: Diffusion Learning to Reconstruct CT Images from Biplanar X-Rays [41.393567374399524]
条件拡散過程として超スパースX線からのCT再構成をモデル化したDiffuX2CTを提案する。これにより、DiffuX2CTは2次元X線から3次元構造情報を復元できる構造制御可能な再構成を実現する。コントリビューションとして,LumbarVと呼ばれる実世界の腰椎CTデータセットを新しいベンチマークとして収集し,X線からのCT再構成の臨床的意義と性能を検証した。
論文参考訳（メタデータ） (2024-07-18T14:20:04Z)
CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。 SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
論文参考訳（メタデータ） (2024-06-21T08:38:30Z)
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)
Act Like a Radiologist: Radiology Report Generation across Anatomical Regions [50.13206214694885]
X-RGenは6つの解剖学的領域にわたる放射線学者によるレポート生成フレームワークである。 X-RGenでは、ヒトの放射線学者の行動を模倣し、これらを4つの主要な段階に分解する。画像エンコーダの認識能力は,各領域にまたがる画像やレポートを分析して向上する。
論文参考訳（メタデータ） (2023-05-26T07:12:35Z)
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)
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。