論文の概要: Multi-Resolution Fusion for Fully Automatic Cephalometric Landmark
Detection
- arxiv url: http://arxiv.org/abs/2310.02855v1
- Date: Wed, 4 Oct 2023 14:42:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-05 14:50:29.833605
- Title: Multi-Resolution Fusion for Fully Automatic Cephalometric Landmark
Detection
- Title(参考訳): 完全自動ケパロメトリランドマーク検出のためのマルチリゾリューション融合
- Authors: Dongqian Guo, Wencheng Han
- Abstract要約: 側頭蓋X線像のセファロメトリーによるランドマーク検出は,特定の歯科疾患の診断において重要な役割を担っている。
広汎なデータ観測と定量的解析により,異なる受容領域の視覚的特徴が様々なランドマークの検出精度に異なる影響があることが判明した。
本手法は, 側方X線画像2023におけるケパロメトリランドマーク検出において実装され, 最終試験段階における平均放射誤差 1.62mm, 後続検出率 2.0mm, 74.18%の平均放射誤差 (MRE) を達成した。
- 参考スコア(独自算出の注目度): 1.9580473532948401
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cephalometric landmark detection on lateral skull X-ray images plays a
crucial role in the diagnosis of certain dental diseases. Accurate and
effective identification of these landmarks presents a significant challenge.
Based on extensive data observations and quantitative analyses, we discovered
that visual features from different receptive fields affect the detection
accuracy of various landmarks differently. As a result, we employed an image
pyramid structure, integrating multiple resolutions as input to train a series
of models with different receptive fields, aiming to achieve the optimal
feature combination for each landmark. Moreover, we applied several data
augmentation techniques during training to enhance the model's robustness
across various devices and measurement alternatives. We implemented this method
in the Cephalometric Landmark Detection in Lateral X-ray Images 2023 Challenge
and achieved a Mean Radial Error (MRE) of 1.62 mm and a Success Detection Rate
(SDR) 2.0mm of 74.18% in the final testing phase.
- Abstract(参考訳): 側頭蓋X線像のセファロメトリーによるランドマーク検出は,特定の歯科疾患の診断において重要な役割を担っている。
これらのランドマークの正確かつ効果的な同定は重要な課題である。
広汎なデータ観測と定量的解析により,異なる受容領域の視覚的特徴が様々なランドマークの検出精度に異なる影響を及ぼすことがわかった。
その結果、画像ピラミッド構造を採用し、複数の解像度を入力として統合し、異なる受容場を持つモデル群を訓練し、ランドマークごとに最適な特徴の組み合わせを達成することを目指した。
さらに,トレーニング中に複数のデータ拡張手法を適用し,各種機器と測定代替機器のロバスト性の向上を行った。
本手法は,側方x線画像2023における脳波ランドマーク検出に実装し,最終試験段階で平均放射誤差(mre)1.22mm,成功検出率(sdr)2.0mm(74.18%)を達成した。
関連論文リスト
- DualAttNet: Synergistic Fusion of Image-level and Fine-Grained Disease
Attention for Multi-Label Lesion Detection in Chest X-rays [1.3367903535457364]
胸部X線写真におけるDualAttNet(DualAttNet)というマルチラベル病変検出のための二重注意制御モジュールを提案する。
画像レベルの注意ブロックと微細な疾患注意アルゴリズムに基づいて、グローバルおよびローカルな病変分類情報を効率的に融合する。
論文 参考訳(メタデータ) (2023-06-23T23:19:27Z) - High-Fidelity Image Synthesis from Pulmonary Nodule Lesion Maps using
Semantic Diffusion Model [10.412300404240751]
肺がんは、長年にわたり、世界中でがん関連の死因の1つとなっている。
ディープラーニング、学習アルゴリズムに基づくコンピュータ支援診断(CAD)モデルは、スクリーニングプロセスを加速することができる。
しかし、堅牢で正確なモデルを開発するには、しばしば高品質なアノテーションを備えた大規模で多様な医療データセットが必要である。
論文 参考訳(メタデータ) (2023-05-02T01:04:22Z) - Mimicking a Pathologist: Dual Attention Model for Scoring of Gigapixel
Histology Images [12.53157021039492]
病理医による視覚検査を模倣する2つの主成分からなる新しい二重注意アプローチを提案する。
乳がんのHER2予測と,大腸癌に対する2つのMMRバイオマーカーのIntact/Loss像の予測の2つの異なるIHC症例に提案したモデルを応用した。
論文 参考訳(メタデータ) (2023-02-19T22:26:25Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - Affinity Feature Strengthening for Accurate, Complete and Robust Vessel
Segmentation [48.638327652506284]
血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。
コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
論文 参考訳(メタデータ) (2022-11-12T05:39:17Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳(メタデータ) (2021-11-26T13:47:34Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - 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) - Volumetric landmark detection with a multi-scale shift equivariant
neural network [16.114319747246334]
本稿では,3次元画像における高速かつメモリ効率の高いランドマーク検出を実現するマルチスケールのエンドツーエンドディープラーニング手法を提案する。
今回我々は,263個のCT上における頸動脈分岐検出法について検討し,平均ユークリッド距離2.81mmで最先端の精度を実現した。
論文 参考訳(メタデータ) (2020-03-03T17:06:19Z)
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。