論文の概要: RT-SRTS: Angle-Agnostic Real-Time Simultaneous 3D Reconstruction and
Tumor Segmentation from Single X-Ray Projection
- arxiv url: http://arxiv.org/abs/2310.08080v1
- Date: Thu, 12 Oct 2023 07:10:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-15 11:10:58.898225
- Title: RT-SRTS: Angle-Agnostic Real-Time Simultaneous 3D Reconstruction and
Tumor Segmentation from Single X-Ray Projection
- Title（参考訳）: RT-SRTS : 単一X線プロジェクションからの3次元同時再建と腫瘍切除
- Authors: Miao Zhu, Qiming Fu, Bo Liu, Mengxi Zhang, Bojian Li, Xiaoyan Luo,
Fugen Zhou
- Abstract要約: RT-SRTSはマルチタスク学習(MTL)に基づく1つのネットワークに3Dイメージングと腫瘍セグメンテーションを統合する
術式は上顎3次元再建に留まらず,寛解性腫瘍分節術を施行した。
同時再建と分節は70ミリ秒で完了し,リアルタイム腫瘍追跡に必要な時間しきい値よりも有意に高速であった。
- 参考スコア（独自算出の注目度）: 5.243210483928347
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Radiotherapy is one of the primary treatment methods for tumors, but the
organ movement caused by respiratory motion limits its accuracy. Recently, 3D
imaging from single X-ray projection receives extensive attentions as a
promising way to address this issue. However, current methods can only
reconstruct 3D image without direct location of the tumor and are only
validated for fixed-angle imaging, which fails to fully meet the requirement of
motion control in radiotherapy. In this study, we propose a novel imaging
method RT-SRTS which integrates 3D imaging and tumor segmentation into one
network based on the multi-task learning (MTL) and achieves real-time
simultaneous 3D reconstruction and tumor segmentation from single X-ray
projection at any angle. Futhermore, we propose the attention enhanced
calibrator (AEC) and uncertain-region elaboration (URE) modules to aid feature
extraction and improve segmentation accuracy. We evaluated the proposed method
on ten patient cases and compared it with two state-of-the-art methods. Our
approach not only delivered superior 3D reconstruction but also demonstrated
commendable tumor segmentation results. The simultaneous reconstruction and
segmentation could be completed in approximately 70 ms, significantly faster
than the required time threshold for real-time tumor tracking. The efficacy of
both AEC and URE was also validated through ablation studies.
- Abstract（参考訳）: 放射線療法は腫瘍の主要な治療法の1つであるが、呼吸運動による臓器の運動は精度を制限している。
近年, 単一X線投影による3次元イメージングはこの問題に対処するための有望な方法として広く注目されている。
しかし, 腫瘍の直接的位置を伴わずに3次元画像の再構成は可能であり, 固定角度撮影でのみ有効であり, 放射線治療における動作制御の要件を十分に満たさない。
本研究では,マルチタスク学習(MTL)に基づく1つのネットワークに3次元画像と腫瘍のセグメンテーションを統合し,任意の角度で1つのX線投影からリアルタイムに3次元再構成と腫瘍のセグメンテーションを実現するイメージング手法RT-SRTSを提案する。
さらに,注意強化カリブレータ (aec) と不確かさ領域推定 (ure) モジュールを提案し,特徴抽出とセグメンテーション精度の向上を支援する。
提案手法を10例を対象に評価し,2種類の方法と比較した。
術式は上顎3次元再建に留まらず,寛解性腫瘍分節術を施行した。
同時再建と分節は70ミリ秒で完了し,リアルタイム腫瘍追跡に必要な時間しきい値よりも有意に高速であった。
AECとUREの併用効果もアブレーション試験により検証した。
関連論文リスト
- TomoGRAF: A Robust and Generalizable Reconstruction Network for Single-View Computed Tomography [3.1209855614927275]
従来の解析的・定性的なCT再構成アルゴリズムは数百の角データサンプリングを必要とする。
我々は,高品質な3Dボリュームを再構成するために,ユニークなX線輸送物理を取り入れた新しいTtomoGRAFフレームワークを開発した。
論文 参考訳（メタデータ） (2024-11-12T20:07:59Z) - C^2RV: Cross-Regional and Cross-View Learning for Sparse-View CBCT Reconstruction [17.54830070112685]
コーンビームCT(CBCT)は医療現場で広く用いられている画像技術である。
コーン状X線による測定により, CBCTの復元が困難になる。
本稿では,3次元空間におけるクロスリージョン学習を実現するために,明示的なマルチスケールボリューム表現を活用してC2RVを提案する。
論文 参考訳（メタデータ） (2024-06-06T09:37:56Z) - Exploration of Multi-Scale Image Fusion Systems in Intelligent Medical Image Analysis [3.881664394416534]
MRI画像上で脳腫瘍の自動分離を行う必要がある。
このプロジェクトは、U-Netに基づいたMRIアルゴリズムを構築することを目的としている。
論文 参考訳（メタデータ） (2024-05-23T04:33:12Z) - 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。
本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文 参考訳（メタデータ） (2023-06-23T12:09:52Z) - 3D Brainformer: 3D Fusion Transformer for Brain Tumor Segmentation [6.127298607534532]
深層学習は、最近脳腫瘍のセグメンテーションを改善するために現れた。
変換器は畳み込みネットワークの限界に対処するために利用されてきた。
本稿では,3次元トランスフォーマーを用いたセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-04-28T02:11:29Z) - X-Ray2EM: Uncertainty-Aware Cross-Modality Image Reconstruction from
X-Ray to Electron Microscopy in Connectomics [55.6985304397137]
膜セグメンテーション品質を向上したEMライクな画像にX線画像を変換する不確実性を考慮した3D再構成モデルを提案する。
これは、よりシンプルで、より高速で、より正確なX線ベースのコネクトロミクスパイプラインを開発する可能性を示している。
論文 参考訳（メタデータ） (2023-03-02T00:52:41Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - 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) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z)
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。