論文の概要: Fast CT anatomic localization algorithm
- arxiv url: http://arxiv.org/abs/2312.02941v1
- Date: Tue, 5 Dec 2023 18:09:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 14:46:33.362863
- Title: Fast CT anatomic localization algorithm
- Title（参考訳）: 高速CT解剖学的局在法
- Authors: Amit Oved
- Abstract要約: 我々はCTスキャンで各スライスの位置を自動的に決定する方法を示す。
これらのスライスに基づいて,スライス指数を推定された軸方向の解剖学的位置にマッピングする線形モデルを用いる。
このアプローチは計算効率が良く、典型的な処理時間はスキャン1秒未満である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatically determining the position of every slice in a CT scan is a basic
yet powerful capability allowing fast retrieval of region of interest for
visual inspection and automated analysis. Unlike conventional localization
approaches which work at the slice level, we directly localize only a fraction
of the slices and and then fit a linear model which maps slice index to its
estimated axial anatomical position based on those slices. The model is then
used to assign axial position to every slices of the scan. This approach proves
to be both computationally efficient, with a typical processing time of less
than a second per scan (regardless of its size), accurate, with a typical
median localization error of 1 cm, and robust to different noise sources,
imaging protocols, metal induced artifacts, anatomical deformations etc.
Another key element of our approach is the introduction of a mapping confidence
score. This score acts as a fail safe mechanism which allows a rejection of
unreliable localization results in rare cases of anomalous scans. Our algorithm
sets new State Of The Art results in terms of localization accuracy. It also
offers a decrease of two orders of magnitude in processing time with respect to
all published processing times. It was designed to be invariant to various scan
resolutions, scan protocols, patient orientations, strong artifacts and various
deformations and abnormalities. Additionally, our algorithm is the first one to
the best of our knowledge which supports the entire body from head to feet and
is not confined to specific anatomical region. This algorithm was tested on
thousands of scans and proves to be very reliable and useful as a preprocessing
stage for many applications.
- Abstract（参考訳）: CTスキャンにおける各スライスの位置を自動的に決定することは、視覚検査と自動解析のための関心領域の高速検索を可能にする基本的かつ強力な機能である。
スライスレベルで機能する従来のローカライズアプローチとは異なり、スライスのほんの一部だけを直接ローカライズし、スライスインデックスをそれらのスライスに基づいて推定軸解剖学的位置にマッピングする線形モデルに適合させる。
このモデルはスキャンの全てのスライスに軸方向の位置を割り当てるために使われる。
このアプローチは計算効率が良く、1スキャンあたり1秒未満の典型的な処理時間(サイズに関係なく)、正確で、典型的な中央値の局所化誤差は1cmであり、異なるノイズ源、イメージングプロトコル、金属誘起アーティファクト、解剖学的変形などに対して堅牢である。
このアプローチのもうひとつの重要な要素は、マッピングの信頼性スコアの導入です。
このスコアは、異常スキャンの稀なケースにおいて、信頼できない局所化結果の拒絶を可能にするフェールセーフメカニズムとして機能する。
本アルゴリズムは, 局所化精度の観点から, 新たな技術結果を設定する。
また、発行された全ての処理時間に対して、処理時間の2桁の減少も提供する。
様々なスキャン解像度、スキャンプロトコル、患者向き、強力なアーティファクト、様々な変形と異常に不変であるように設計された。
さらに、私たちのアルゴリズムは、頭から足まで体全体を支え、特定の解剖学的領域に限定されない、私たちの知る限りでは初めてのものです。
このアルゴリズムは数千のスキャンでテストされ、多くのアプリケーションの前処理段階として非常に信頼性が高く有用なことが証明された。
関連論文リスト
- Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - A Hierarchical Descriptor Framework for On-the-Fly Anatomical Location
Matching between Longitudinal Studies [0.07499722271664144]
本研究では,2対の医用画像間の解剖学的位置を縦断的に比較する手法を提案する。
ソース画像内のクエリポイントのディスクリプタを演算することにより、マッチングを可能にする。
階層探索操作は、対象画像に最も類似した記述子を持つ対応する点を検出する。
論文 参考訳（メタデータ） (2023-08-11T18:01:27Z) - Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。
本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。
本手法は,多視点グローバル情報を自然に学習することができる。
論文 参考訳（メタデータ） (2023-07-24T14:43:07Z) - OOOE: Only-One-Object-Exists Assumption to Find Very Small Objects in
Chest Radiographs [9.226276232505734]
管や様々な解剖学的構造のような多くの異物は、胸部X線全体と比較して小さい。
我々は,胸部X線写真中の小さなランドマークを局所化する深層ネットワークの能力を向上させるため,単純で効果的なOOOE(Only-One-Object-Exists)の仮定を提案する。
論文 参考訳（メタデータ） (2022-10-13T07:37:33Z) - 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) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳（メタデータ） (2021-11-24T01:14:33Z) - Siamese Network Features for Endoscopy Image and Video Localization [0.0]
位置決めフレームは、異常な位置に関する貴重な情報を提供する。
本研究では,メタラーニングと深層学習を組み合わせることで,内視鏡画像とビデオの両方をローカライズする。
論文 参考訳（メタデータ） (2021-03-15T16:24:30Z) - Self-Supervised Out-of-Distribution Detection in Brain CT Scans [46.78055929759839]
本稿では,異常検出のための自己教師付き学習手法を提案する。
私たちのアーキテクチャは、主に、1)再構成と2)幾何学的変換を予測する2つの部分で構成されています。
試験時間において、幾何変換予測器は、幾何変換と予測との誤差を計算することにより、異常スコアを割り当てることができる。
論文 参考訳（メタデータ） (2020-11-10T22:21:48Z) - A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions
Artefacts in MRI Scans [63.28835187934139]
本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。
提案法は患者の多動運動によって生成された人工物に応用できる。
論文 参考訳（メタデータ） (2020-06-24T15:25:11Z) - Keypoints Localization for Joint Vertebra Detection and Fracture
Severity Quantification [0.04925906256430176]
椎体圧迫骨折は骨粗しょう症の早期徴候である。
3次元CT画像に椎体を局在させる新しい2段階アルゴリズムを提案する。
我々は同時に個々の椎骨を検出し、2Dで骨折を定量化する。
論文 参考訳（メタデータ） (2020-05-25T08:05:27Z)
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。