論文の概要: Deep Conditional Shape Models for 3D cardiac image segmentation
- arxiv url: http://arxiv.org/abs/2310.10756v1
- Date: Mon, 16 Oct 2023 18:38:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 19:16:16.899137
- Title: Deep Conditional Shape Models for 3D cardiac image segmentation
- Title（参考訳）: 3次元心臓画像分割のための深部条件形状モデル
- Authors: Athira J Jacob, Puneet Sharma and Daniel Ruckert
- Abstract要約: 本稿では,Deep Shape Model (DCSM) Conditional をコアコンポーネントとする新しいセグメンテーションアルゴリズムを提案する。
生成した形状を画像に合わせるため、形状モデルを解剖学的ランドマークに条件付けし、ユーザーが自動的に検出または提供することができる。
局所的な改善を伴わずに非造影CTの基準線を上回り, 造影CT, 3DE, 特にハウスドルフ距離を著しく改善した。
- 参考スコア（独自算出の注目度）: 1.4042211166197214
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Delineation of anatomical structures is often the first step of many medical
image analysis workflows. While convolutional neural networks achieve high
performance, these do not incorporate anatomical shape information. We
introduce a novel segmentation algorithm that uses Deep Conditional Shape
models (DCSMs) as a core component. Using deep implicit shape representations,
the algorithm learns a modality-agnostic shape model that can generate the
signed distance functions for any anatomy of interest. To fit the generated
shape to the image, the shape model is conditioned on anatomic landmarks that
can be automatically detected or provided by the user. Finally, we add a
modality-dependent, lightweight refinement network to capture any fine details
not represented by the implicit function. The proposed DCSM framework is
evaluated on the problem of cardiac left ventricle (LV) segmentation from
multiple 3D modalities (contrast-enhanced CT, non-contrasted CT, 3D
echocardiography-3DE). We demonstrate that the automatic DCSM outperforms the
baseline for non-contrasted CT without the local refinement, and with the
refinement for contrasted CT and 3DE, especially with significant improvement
in the Hausdorff distance. The semi-automatic DCSM with user-input landmarks,
while only trained on contrasted CT, achieves greater than 92% Dice for all
modalities. Both automatic DCSM with refinement and semi-automatic DCSM achieve
equivalent or better performance compared to inter-user variability for these
modalities.
- Abstract（参考訳）: 解剖学的構造の説明は、多くの医療画像解析ワークフローの第一段階であることが多い。
畳み込みニューラルネットワークは高い性能を達成するが、解剖学的形状情報は含まない。
本稿では,Deep Conditional Shape Model (DCSM) をコアコンポーネントとする新しいセグメンテーションアルゴリズムを提案する。
深い暗黙の形状表現を用いて、アルゴリズムは、任意の解剖学のために符号付き距離関数を生成することができるモダリティ非依存の形状モデルを学ぶ。
生成した形状を画像に適合させるために、ユーザが自動的に検出または提供できる解剖学的ランドマークに基づいて形状モデルを条件付ける。
最後に、モダリティ依存で軽量なリファインメントネットワークを追加して、暗黙の関数で表現されていない詳細をキャプチャします。
心臓左室(LV)の複数の3次元モダリティ(造影CT,非造影CT,3次元心エコー法-3DE)のセグメンテーションの問題点について検討した。
その結果,dcsmは局所的な精細化を伴わずに非造影ctのベースラインを上回り,造影ctと3deを改良し,特にハウスドルフ距離を著しく改善した。
ユーザ入力のランドマークを持つ半自動DCSMは、コントラストCTでしか訓練されていないが、すべてのモダリティに対して92%以上のDiceを実現している。
改良されたDCSMとセミオートマチックDCSMの両方の自動DCSMは、これらのモダリティに対するユーザ間のばらつきと比べて同等またはより良い性能を達成する。
関連論文リスト
- Explicit Differentiable Slicing and Global Deformation for Cardiac Mesh Reconstruction [8.730291904586656]
医用画像からの心臓解剖のメッシュ再構築は, 形状, 運動計測, 生体物理シミュレーションに有用である。
従来のボクセルベースのアプローチは、イメージの忠実さを損なう前処理と後処理に依存している。
そこで本稿では,メッシュのスライスからメッシュへの勾配バックプロパゲーションを可能にする,新しい識別可能なボキセル化とスライシング(DVS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-03T17:19:31Z) - ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。
5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
論文 参考訳（メタデータ） (2024-08-26T08:59:22Z) - Unsupervised correspondence with combined geometric learning and imaging
for radiotherapy applications [0.0]
本研究の目的は, 放射線治療への応用において, 異なる患者の臓器区分間の対応点を正確に同定するモデルを開発することである。
3次元形状の同時対応と推定のためのモデルとして,頭部と頸部の臓器の分節をCTスキャンから訓練した。
次に、2つのアプローチを用いて画像情報を組み込むため、オリジナルモデルを拡張した。
論文 参考訳（メタデータ） (2023-09-25T16:29:18Z) - 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) - 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) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Fluid registration between lung CT and stationary chest tomosynthesis
images [23.239722016943794]
計測された投影とデジタル再構成されたラジオグラフに基づいて3次元変形を推定する3D/2D登録手法を定式化する。
我々は,CTと静止胸部トモシンセシス(sDCT)画像の登録に対するアプローチを実証し,それが反復的画像再構成アプローチにどのように自然に導かれるかを示した。
論文 参考訳（メタデータ） (2022-03-06T21:51:49Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - A lateral semicircular canal segmentation based geometric calibration
for human temporal bone CT Image [13.829782834867192]
側頭骨CT画像の自動校正アルゴリズムを提案する。
側方半円管(LSC)は最初,アンカーとして分割され,次に標準3次元座標系を定義する。
符号化段階における特徴融合のための3次元拡張畳み込みとマルチプール方式を導入した新しい3次元LCCセグメンテーション・デコーダネットワークを設計する。
論文 参考訳（メタデータ） (2020-06-28T12:36:08Z) - HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose
and Shape Estimation [60.35776484235304]
本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。
HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。
Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
論文 参考訳（メタデータ） (2020-03-10T04:03:45Z)
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。