論文の概要: Bottom-Up Instance Segmentation of Catheters for Chest X-Rays

• arxiv url: http://arxiv.org/abs/2312.03368v1
• Date: Wed, 6 Dec 2023 09:09:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-07 15:34:47.590313
• Title: Bottom-Up Instance Segmentation of Catheters for Chest X-Rays
• Title（参考訳）: 胸部X線用カテーテルのボトムアップインスタンスセグメンテーション
• Authors: Francesca Boccardi, Axel Saalbach, Heinrich Schulz, Samuele Salti, Ilyas Sirazitdinov
• Abstract要約: X線読影プロセスの自動化は、専門家でない技術者にとって貴重な支援ツールである。 個々のカテーテルの切り離しは、依然としてオープンな課題である。 カテーテルのインスタンスセグメンテーションのための連想埋め込みに基づく深層学習手法を提案する。
• 参考スコア（独自算出の注目度）: 7.052685254828165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chest X-ray (CXR) is frequently employed in emergency departments and intensive care units to verify the proper placement of central lines and tubes and to rule out related complications. The automation of the X-ray reading process can be a valuable support tool for non-specialist technicians and minimize reporting delays due to non-availability of experts. While existing solutions for automated catheter segmentation and malposition detection show promising results, the disentanglement of individual catheters remains an open challenge, especially in complex cases where multiple devices appear superimposed in the X-ray projection. Moreover, conventional top-down instance segmentation methods are ineffective on such thin and long devices, that often extend through the entire image. In this paper, we propose a deep learning approach based on associative embeddings for catheter instance segmentation, able to overcome those limitations and effectively handle device intersections.
• Abstract（参考訳）: 胸部X線(CXR)は、中央線や管の適切な配置を検証し、関連する合併症を除外するために、救急部や集中治療室で頻繁に使用される。 x線読取プロセスの自動化は、非専門技術者にとって貴重なサポートツールとなり、専門家の非使用性による報告遅延を最小限に抑えることができる。 自動カテーテルセグメンテーションと誤配置検出のための既存のソリューションは有望な結果を示しているが、特にX線投影において複数のデバイスが重畳される複雑な場合において、個々のカテーテルの絡み合いは未解決の課題である。 さらに、従来のトップダウンのインスタンスセグメンテーション手法は、画像全体を通して拡張されるような細長いデバイスでは効果がない。 本稿では,これらの制約を克服し,デバイス交叉を効果的に扱うことができる,カテーテルインスタンス分割のための連想埋め込みに基づくディープラーニングアプローチを提案する。

関連論文リスト

• A Novel Tracking Framework for Devices in X-ray Leveraging Supplementary Cue-Driven Self-Supervised Features [6.262161803642583]
  本稿では,その時間的可視性を高める自己教師型学習手法を提案する。 本稿では,事前学習した時間ネットワークを効果的に活用する汎用リアルタイム追跡フレームワークを提案する。 バルーンマーカー検出の最大誤差は87%,カテーテル先端検出の最大誤差は61%減少する。
  論文  参考訳（メタデータ） (2025-01-22T15:32:07Z)
• Fan-Beam CT Reconstruction for Unaligned Sparse-View X-ray Baggage Dataset [0.0]
  不整合多視点X線バッグデータを用いたキャリブレーションと再構成手法を提案する。 提案手法は,多スペクトル神経減衰場再構成とLinear pushbroom (LPB) カメラモデルを用いたポーズ最適化を組み合わせたものである。
  論文  参考訳（メタデータ） (2024-12-04T05:16:54Z)
• Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
  リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。 第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。 第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
  論文  参考訳（メタデータ） (2024-04-12T20:39:19Z)
• 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)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  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。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• UNet Based Pipeline for Lung Segmentation from Chest X-Ray Images [1.5573807415011238]
  胸部X線像から肺を分画するエンド・ツー・エンドパイプラインを提案する。 UNetを用いて、様々な肺疾患に対する初期検診の高速な処理を可能にする。
  論文  参考訳（メタデータ） (2022-12-09T01:00:10Z)
• 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)
• 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)
• Towards to Robust and Generalized Medical Image Segmentation Framework [17.24628770042803]
  本稿では,ロバストな一般化セグメンテーションのための新しい2段階フレームワークを提案する。 特に、教師なしTile-wise AutoEncoder(T-AE)事前学習アーキテクチャは、意味のある表現を学ぶために作成される。 複数の胸部X線データセットに対する肺分画実験を行った。
  論文  参考訳（メタデータ） (2021-08-09T05:58:49Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。