論文の概要: AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers

• arxiv url: http://arxiv.org/abs/2309.14492v1
• Date: Mon, 25 Sep 2023 19:34:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-27 16:07:23.837058
• Title: AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers
• Title（参考訳）: AiAReSeg:変換器を用いたインターベンショナル超音波のカテーテル検出とセグメンテーション
• Authors: Alex Ranne, Yordanka Velikova, Nassir Navab, Ferdinando Rodriguez y Baena
• Abstract要約: 血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
• 参考スコア（独自算出の注目度）: 75.20925220246689
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To date, endovascular surgeries are performed using the golden standard of Fluoroscopy, which uses ionising radiation to visualise catheters and vasculature. Prolonged Fluoroscopic exposure is harmful for the patient and the clinician, and may lead to severe post-operative sequlae such as the development of cancer. Meanwhile, the use of interventional Ultrasound has gained popularity, due to its well-known benefits of small spatial footprint, fast data acquisition, and higher tissue contrast images. However, ultrasound images are hard to interpret, and it is difficult to localise vessels, catheters, and guidewires within them. This work proposes a solution using an adaptation of a state-of-the-art machine learning transformer architecture to detect and segment catheters in axial interventional Ultrasound image sequences. The network architecture was inspired by the Attention in Attention mechanism, temporal tracking networks, and introduced a novel 3D segmentation head that performs 3D deconvolution across time. In order to facilitate training of such deep learning networks, we introduce a new data synthesis pipeline that used physics-based catheter insertion simulations, along with a convolutional ray-casting ultrasound simulator to produce synthetic ultrasound images of endovascular interventions. The proposed method is validated on a hold-out validation dataset, thus demonstrated robustness to ultrasound noise and a wide range of scanning angles. It was also tested on data collected from silicon-based aorta phantoms, thus demonstrated its potential for translation from sim-to-real. This work represents a significant step towards safer and more efficient endovascular surgery using interventional ultrasound.
• Abstract（参考訳）: 現在までに、電離放射線を用いてカテーテルや血管を可視化するFluoroscopyの黄金標準を用いて血管内手術が行われている。 長期のフルオロスコープ曝露は、患者や臨床医にとって有害であり、がんの発生など術後の重篤なセコイアを引き起こす可能性がある。 一方、介入超音波の使用は、小さな空間的フットプリント、高速なデータ取得、より高い組織コントラスト画像の利点により、人気が高まっている。 しかし,超音波画像の解釈は困難であり,血管,カテーテル,ガイドワイヤのローカライズが困難である。 本研究では,最先端の機械学習トランスフォーマアーキテクチャを応用し,軸方向干渉超音波画像のカテーテルを検出・セグメント化する方法を提案する。 ネットワークアーキテクチャはアテンション・イン・アテンション・メカニズム、時間追跡ネットワークにインスパイアされ、時間をかけて3Dデコンボリューションを行う新しい3Dセグメンテーションヘッドを導入した。 このような深層学習ネットワークの訓練を容易にするために,物理ベースのカテーテル挿入シミュレーションと畳み込み型超音波シミュレータを用いて血管内干渉の合成超音波画像を生成する新しいデータ合成パイプラインを提案する。 提案手法はホールドアウトバリデーションデータセット上で検証され,超音波雑音に対するロバスト性と幅広い走査角が得られた。 シリコンベースのaorta phantomsから収集したデータでもテストされ、simから現実への翻訳の可能性を示した。 この研究は、干渉超音波を用いたより安全で効率的な血管内手術への重要な一歩である。

関連論文リスト

• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• EndoGSLAM: Real-Time Dense Reconstruction and Tracking in Endoscopic Surgeries using Gaussian Splatting [53.38166294158047]
  EndoGSLAMは鏡視下手術の効率的なアプローチであり、合理化表現と微分ガウス化を統合している。 実験の結果,EndoGSLAMは従来型あるいは神経型SLAMアプローチよりも術中可用性と再建品質のトレードオフが良好であることがわかった。
  論文  参考訳（メタデータ） (2024-03-22T11:27:43Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Reslicing Ultrasound Images for Data Augmentation and Vessel Reconstruction [22.336362581634706]
  本稿では,追跡された2次元画像から再構成された3次元ボリュームをスライスした超音波画像に対する弱い監視データ拡張手法であるRESUSを紹介する。 超音波画像の物理的制約により生体内で容易に得られないビューを生成し,これらの拡張超音波画像を用いてセマンティックセグメンテーションモデルを訓練する。 我々は, RESUSが非拡張画像を用いた訓練よりも統計的に有意な改善を達成し, 血管再建による質的改善を強調できることを実証した。
  論文  参考訳（メタデータ） (2023-01-18T03:22:47Z)
• Robust Landmark-based Stent Tracking in X-ray Fluoroscopy [10.917460255497227]
  単一ステントトラッキングのためのエンドツーエンドのディープラーニングフレームワークを提案する。 U-Netベースのランドマーク検出、ResNetベースのステント提案、機能抽出の3つの階層モジュールで構成されている。 実験により,本手法は最先端のポイントベース追跡モデルと比較して,検出精度が有意に向上していることが示された。
  論文  参考訳（メタデータ） (2022-07-20T14:20:03Z)
• Accelerated Intravascular Ultrasound Imaging using Deep Reinforcement Learning [16.350568421800794]
  血管内超音波(IVUS)は血管疾患の治療においてユニークな視点を提供する。 本稿では,現在の物理情報のボトルネックに対処するための深層強化学習について述べる。
  論文  参考訳（メタデータ） (2022-01-24T08:33:21Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)

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。