論文の概要: DefCor-Net: Physics-Aware Ultrasound Deformation Correction

• arxiv url: http://arxiv.org/abs/2308.03865v1
• Date: Mon, 7 Aug 2023 18:27:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-09 15:14:09.937167
• Title: DefCor-Net: Physics-Aware Ultrasound Deformation Correction
• Title（参考訳）: DefCor-Net:物理対応超音波変形補正
• Authors: Zhongliang Jiang, Yue Zhou, Dongliang Cao, Nassir Navab
• Abstract要約: 本稿では, 粗粒多スケールディープニューラルネットワーク(DefCor-Net)に基づく新しい解剖学的変形補正手法を提案する。 DefCor-Netは、U字型特徴抽出器を用いて、オンラインの画素単位の剛性を推定することにより、生物医学的知識を取り入れている。 その結果,DefCor-Netは変形補正の精度を大幅に向上し,元の形状を復元できることがわかった。
• 参考スコア（独自算出の注目度）: 45.26519391564587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recovery of morphologically accurate anatomical images from deformed ones is challenging in ultrasound (US) image acquisition, but crucial to accurate and consistent diagnosis, particularly in the emerging field of computer-assisted diagnosis. This article presents a novel anatomy-aware deformation correction approach based on a coarse-to-fine, multi-scale deep neural network (DefCor-Net). To achieve pixel-wise performance, DefCor-Net incorporates biomedical knowledge by estimating pixel-wise stiffness online using a U-shaped feature extractor. The deformation field is then computed using polynomial regression by integrating the measured force applied by the US probe. Based on real-time estimation of pixel-by-pixel tissue properties, the learning-based approach enables the potential for anatomy-aware deformation correction. To demonstrate the effectiveness of the proposed DefCor-Net, images recorded at multiple locations on forearms and upper arms of six volunteers are used to train and validate DefCor-Net. The results demonstrate that DefCor-Net can significantly improve the accuracy of deformation correction to recover the original geometry (Dice Coefficient: from $14.3\pm20.9$ to $82.6\pm12.1$ when the force is $6N$).
• Abstract（参考訳）: 変形した画像からの形態学的に正確な解剖学的画像の復元は超音波画像取得において困難であるが、特にコンピュータ支援診断の新たな分野において、正確かつ一貫した診断に不可欠である。 本稿では、粗大かつ多スケールのディープニューラルネットワーク(DefCor-Net)に基づく、新しい解剖学的変形補正手法を提案する。 DefCor-Netは、U字型特徴抽出器を用いて、オンラインの画素単位の剛性を推定し、バイオメディカル知識を取り入れた。 変形場は、アメリカのプローブが測定した力を統合することで多項式回帰を用いて計算される。 実時間でピクセル・バイ・ピクセルの組織特性を推定することにより,解剖学的変形補正の可能性を実現する。 提案するdefcor-netの有効性を示すために、6人のボランティアの前腕と上腕に記録された画像を用いてdefcor-netの訓練と検証を行う。 その結果、DefCor-Netは変形補正の精度を大幅に向上させ、元の幾何を復元する(Dice Coefficient: $114.3\pm20.9$から 8,2.6\pm12.1$へ)。

関連論文リスト

• Unsupervised Feature Orthogonalization for Learning Distortion-Invariant Representations [0.13108652488669734]
  本研究では、教師なし特徴の直交化と視覚変換器の能力を統合する新しい手法であるunORANIC+を紹介する。 unORANIC+の合理化アーキテクチャは、解剖学的および画像特異的な属性を効果的に分離し、堅牢で偏りのない潜在表現をもたらす。 大規模な実験は、UnORANIC+の復元能力、腐敗の回復力、および既存の画像歪みを修正する能力を示す。 本手法を先進的な医用画像解析のための有望なアルゴリズムとして位置づけた,多様な画像ソースとサンプルサイズのデータセットへの適応性を確認した。
  論文  参考訳（メタデータ） (2024-09-18T19:25:38Z)
• 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)
• MMA-Net: Multiple Morphology-Aware Network for Automated Cobb Angle Measurement [6.8243631770391735]
  本稿では,複数の脊椎形態を注目情報として統合することにより,コブ角測定精度を向上させる新しいフレームワークを提案する。 AASCEチャレンジデータセットを用いて本手法の評価を行い,SMAPEの7.28%,MAEの3.18degで優れた性能を示した。
  論文  参考訳（メタデータ） (2023-09-25T01:56:53Z)
• Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection [9.826027427965354]
  近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。 乳腺病理像の2値分類のためのCNNモデルについて検討した。 我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
  論文  参考訳（メタデータ） (2022-01-04T03:09:40Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Boosted EfficientNet: Detection of Lymph Node Metastases in Breast Cancer Using Convolutional Neural Network [6.444922476853511]
  The Convolutional Neutral Network (CNN) は乳癌のリンパ節転移の予測と分類に応用されている。 そこで本研究では,小さな解像度画像を容易にするためのRandom Center Cropping (RCC) という新しいデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2020-10-10T15:18:56Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Context-Aware Refinement Network Incorporating Structural Connectivity Prior for Brain Midline Delineation [50.868845400939314]
  UNetによって生成された特徴ピラミッド表現を洗練・統合するための文脈対応改良ネットワーク(CAR-Net)を提案する。 正中線における脳の構造的接続性を維持するため、我々は新しい接続性レギュラーロスを導入する。 提案手法は, パラメータを少なくし, 4つの評価指標で3つの最先端手法より優れる。
  論文  参考訳（メタデータ） (2020-07-10T14:01:20Z)
• A Spatially Constrained Deep Convolutional Neural Network for Nerve Fiber Segmentation in Corneal Confocal Microscopic Images using Inaccurate Annotations [10.761046991755311]
  本研究では,スムーズかつロバストな画像分割を実現するために,空間拘束型深部畳み込みニューラルネットワーク(DCNN)を提案する。 提案手法は神経線維分節に対する角膜共焦点顕微鏡(CCM)画像に基づいて評価された。
  論文  参考訳（メタデータ） (2020-04-20T16:56:13Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。