Fugu-MT 論文翻訳(概要): Deep conditional generative models for longitudinal single-slice abdominal computed tomography harmonization

論文の概要: Deep conditional generative models for longitudinal single-slice abdominal computed tomography harmonization

arxiv url: http://arxiv.org/abs/2309.09392v1
Date: Sun, 17 Sep 2023 22:53:16 GMT
ステータス: 処理完了
システム内更新日: 2023-09-19 15:41:08.448534
Title: Deep conditional generative models for longitudinal single-slice abdominal computed tomography harmonization
Title（参考訳）: 縦型単スライス腹部ctハーモニゼーションのための深部条件生成モデル
Authors: Xin Yu, Qi Yang, Yucheng Tang, Riqiang Gao, Shunxing Bao, Leon Y. Cai, Ho Hin Lee, Yuankai Huo, Ann Zenobia Moore, Luigi Ferrucci, Bennett A. Landman
Abstract要約: 腹部CTで高解像度の組織像が得られた。これらのスキャンによる体組成変化の経時的解析はスライスの位置変化により困難である。腹部領域の任意の軸スライスを条件としてC-SliceGenを提案し,事前に定義された椎骨レベルスライスを生成する。
参考スコア（独自算出の注目度）: 21.125010099161774
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Two-dimensional single-slice abdominal computed tomography (CT) provides a detailed tissue map with high resolution allowing quantitative characterization of relationships between health conditions and aging. However, longitudinal analysis of body composition changes using these scans is difficult due to positional variation between slices acquired in different years, which leading to different organs/tissues captured. To address this issue, we propose C-SliceGen, which takes an arbitrary axial slice in the abdominal region as a condition and generates a pre-defined vertebral level slice by estimating structural changes in the latent space. Our experiments on 2608 volumetric CT data from two in-house datasets and 50 subjects from the 2015 Multi-Atlas Abdomen Labeling Challenge dataset (BTCV) Challenge demonstrate that our model can generate high-quality images that are realistic and similar. We further evaluate our method's capability to harmonize longitudinal positional variation on 1033 subjects from the Baltimore Longitudinal Study of Aging (BLSA) dataset, which contains longitudinal single abdominal slices, and confirmed that our method can harmonize the slice positional variance in terms of visceral fat area. This approach provides a promising direction for mapping slices from different vertebral levels to a target slice and reducing positional variance for single-slice longitudinal analysis. The source code is available at: https://github.com/MASILab/C-SliceGen.
Abstract（参考訳）: 2次元腹部CTは高分解能の詳細な組織マップを提供し、健康状態と加齢の関係を定量的に評価する。しかし, これらのスキャンによる体組成変化の経時的解析は, 異なる年数で獲得したスライスの位置変化により困難であり, 異なる臓器や組織を捕捉した。そこで本研究では,腹部領域の任意の軸スライスを条件とし,潜在空間の構造変化を推定し,予め定義された椎骨レベルスライスを生成するc-スライスゲンを提案する。 2015年のマルチアトラス・アブドメン・ラベルリング・チャレンジ・データセット(BTCV)から得られた2つの社内データセットと50の被験者からの2608のCTデータに対する実験により、我々のモデルは現実的で類似した高品質な画像を生成することができることを示した。さらに,長大な腹部スライスを含むボルチモア縦断的老化研究(BLSA)データセットから,1033名の被験者の縦断的位置変化を調和させる手法の有効性を検証し,内臓脂肪面積でスライス位置変化を調和させることができることを確認した。このアプローチは、異なる脊椎レベルからターゲットスライスにスライスをマッピングし、単一スライス縦断解析のための位置分散を低減するための有望な方向を提供する。ソースコードはhttps://github.com/masilab/c-slicegen。

関連論文リスト

Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文参考訳（メタデータ） (2023-09-01T10:10:46Z)
Attention-based CT Scan Interpolation for Lesion Segmentation of Colorectal Liver Metastases [2.680862925538592]
大腸癌 (CRLM) に共通する小肝病変は, 畳み込みニューラルネットワーク (CNN) セグメンテーションモデルでは困難である。我々は,CTスキャンにおける連続3重スライスから中間スライスを生成する,教師なしアテンションベースモデルを提案する。モデルの出力は元の入力スライスと一致し、2つの最先端3Dセグメンテーションパイプラインにおけるセグメンテーション性能を向上する。
論文参考訳（メタデータ） (2023-08-30T10:21:57Z)
Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文参考訳（メタデータ） (2023-06-06T18:01:08Z)
Reducing Positional Variance in Cross-sectional Abdominal CT Slices with Deep Conditional Generative Models [21.162780923697653]
2D低用量腹部CTスライスにより,体組成の直接測定が可能となった。 2次元腹部スライスを用いた体組成変化の経時的解析は,異なる年で得られた縦スライスの位置差により困難である。我々は条件生成モデルをC-SliceGenに拡張し、腹部領域の任意の軸スライスを条件として、定義された椎骨レベルスライスを生成する。
論文参考訳（メタデータ） (2022-09-28T23:13:06Z)
Longitudinal Variability Analysis on Low-dose Abdominal CT with Deep Learning-based Segmentation [20.38282484296331]
2次元低線量シングルスライスCT(CT)は高分解能で定量的な組織マップを提供する。自動セグメンテーションを併用した低用量シングルスライスCTの経時変化に関する総合的な研究は行われていない。今回,ボルチモア縦断法(BLSA)腹部データセット1469例の1816個のスライスについて検討した。
論文参考訳（メタデータ） (2022-09-28T16:43:29Z)
Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文参考訳（メタデータ） (2021-12-20T03:38:37Z)
Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文参考訳（メタデータ） (2021-07-06T14:50:03Z)
A Computed Tomography Vertebral Segmentation Dataset with Anatomical Variations and Multi-Vendor Scanner Data [0.0]
We report on the largely increase VerSe 2020 data and results from the second iteration of the VerSe Challenge (MICCAI 2020, Lima, Peru) VerSe 2020は、300人の被験者の注釈付き脊椎CT(en:Annotated spine Computeed tomography)画像と4142の完全な視覚化と注釈付き脊椎を含む。
論文参考訳（メタデータ） (2021-03-10T22:07:26Z)
Multi-Contrast Computed Tomography Healthy Kidney Atlas [3.0066242826634415]
スケール全体の可変性を統合および視覚化するには、ボリュームメトリックアトラスフレームワークが必要です。多発性コントラストCTには腹腔・後腹膜臓器のアラス・フレームワークは存在しない。腹腔容積を高分解能CTアトラステンプレートに登録するために,深層学習に基づく興味抽出法と2段階階層自動登録パイプラインを導入する。
論文参考訳（メタデータ） (2020-12-23T01:03:16Z)
VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。