論文の概要: Implicit Shape Modeling for Anatomical Structure Refinement of
Volumetric Medical Images
- arxiv url: http://arxiv.org/abs/2312.06164v1
- Date: Mon, 11 Dec 2023 07:09:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 16:41:14.770622
- Title: Implicit Shape Modeling for Anatomical Structure Refinement of
Volumetric Medical Images
- Title(参考訳): 体積医用画像の解剖学的構造改善のための暗黙的形状モデリング
- Authors: Minghui Zhang, Hanxiao Zhang, Xin You, Yun Gu
- Abstract要約: 本稿では,暗黙的ニューラルネットワーク上での医用画像セグメンテーションの洗練のための統一的な枠組みを提案する。
署名された距離関数(SDF)の上に暗黙的な形状制約を導入する。
3つのデータセットによる実験結果から,形状改善におけるアプローチの優位性が確認された。
- 参考スコア(独自算出の注目度): 13.203423624593524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shape modeling of volumetric medical images is a critical task for
quantitative analysis and surgical plans in computer-aided diagnosis. To
relieve the burden of expert clinicians, the reconstructed shapes are widely
acquired from deep learning models, e.g. Convolutional Neural Networks (CNNs),
followed by marching cube algorithm. However, automatically obtaining
reconstructed shapes can not always achieve perfect results due to the limited
resolution of images and lack of shape prior constraints. In this paper, we
design a unified framework for the refinement of medical image segmentation on
top of an implicit neural network. Specifically, To learn a sharable shape
prior from different instances within the same category in the training phase,
the physical information of volumetric medical images are firstly utilized to
construct the Physical-Informed Continuous Coordinate Transform (PICCT). PICCT
transforms the input data in an aligned manner fed into the implicit shape
modeling. To better learn shape representation, we introduce implicit shape
constraints on top of the signed distance function (SDF) into the implicit
shape modeling of both instances and latent template. For the inference phase,
a template interaction module (TIM) is proposed to refine initial results
produced by CNNs via deforming deep implicit templates with latent codes.
Experimental results on three datasets demonstrated the superiority of our
approach in shape refinement. The Chamfer Distance/Earth Mover's Distance
achieved by the proposed method are 0.232/0.087 on the Liver dataset,
0.128/0.069 on the Pancreas dataset, and 0.417/0.100 on the Lung Lobe dataset.
- Abstract(参考訳): 量的医用画像の形状モデリングは, コンピュータ支援診断における定量的解析と手術計画に欠かせない課題である。
専門医の負担を軽減するため、再構成された形状は、例えば畳み込みニューラルネットワーク(CNN)などのディープラーニングモデルから広く取得され、次にマーチングキューブアルゴリズムが続く。
しかし、画像の解像度の制限や事前の制約の欠如により、再構成された形状の自動取得が必ずしも完璧ではない。
本稿では,暗黙的ニューラルネットワーク上での医用画像のセグメンテーションの洗練のための統一的な枠組みを設計する。
具体的には、訓練段階で同じカテゴリの異なるインスタンスに先立ってシェーラブルな形状を学習するために、体積医用画像の物理情報を最初に活用して、物理的に変形した連続座標変換(picct)を構築する。
PICCTは、入力データをアライメント状に変換し、暗黙の形状モデリングを行う。
形状表現をよりよく学ぶために,符号付き距離関数(sdf)の上に暗黙的形状制約を,インスタンスと潜在テンプレートの両方の暗黙的形状モデリングに導入する。
推論フェーズでは、テンプレート対話モジュール(TIM)が提案され、遅延コードで暗黙的テンプレートを変形することでCNNが生成した初期結果を洗練する。
3つのデータセットによる実験結果から,形状改善におけるアプローチの優位性が確認された。
提案手法により得られたチャンファー距離/アースマーバー距離は、Liverデータセットで0.232/0.087、Pancreasデータセットで0.128/0.069、Lung Lobeデータセットで0.417/0.100である。
関連論文リスト
- An End-to-End Deep Learning Generative Framework for Refinable Shape
Matching and Generation [45.820901263103806]
In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築
本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。
提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
論文 参考訳(メタデータ) (2024-03-10T21:33:53Z) - 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) - Landmark-free Statistical Shape Modeling via Neural Flow Deformations [0.5897108307012394]
本稿では,トレーニングインスタンス間の密接な対応を必要とせず,形状変化を学習する新しい形状モデリング手法であるFlowSSMを提案する。
当モデルでは, 遠位端大腿骨・肝臓に先立って, 表現的かつ頑健な形状を提供することで, 最先端の手法よりも優れていた。
論文 参考訳(メタデータ) (2022-09-14T18:17:19Z) - From Images to Probabilistic Anatomical Shapes: A Deep Variational
Bottleneck Approach [0.0]
3次元医用画像から直接の統計的形状モデリング(SSM)は、病理の検出、疾患の診断、人口レベルの形態解析を行うための未利用のツールである。
本稿では,これらの仮定を緩和するために,変分情報ボトルネック理論に基づく基本的枠組みを提案する。
実験により,提案手法により精度が向上し,校正精度が向上することを確認した。
論文 参考訳(メタデータ) (2022-05-13T19:39:08Z) - Topology-Preserving Shape Reconstruction and Registration via Neural
Diffeomorphic Flow [22.1959666473906]
Deep Implicit Function (DIF) は、ディープニューラルネットワークを通して学習された連続符号付き距離関数を持つ3次元幾何学を表す。
深い暗黙的形状テンプレートを学習するためのニューラル拡散型流れ(NDF)と呼ばれる新しいモデルを提案する。
NDFは、常に最先端の臓器形状の再構築と、精度と品質の両面での登録結果を達成する。
論文 参考訳(メタデータ) (2022-03-16T14:39:11Z) - DeepSSM: A Blueprint for Image-to-Shape Deep Learning Models [4.608133071225539]
統計的形状モデリング(SSM)は、医学画像から生成される形状の個体群における解剖学的変異を特徴付ける。
DeepSSMは、ディープラーニングベースのイメージ・トゥ・シェイプモデルのための青写真を提供することを目指している。
論文 参考訳(メタデータ) (2021-10-14T04:52:37Z) - A Self-Supervised Deep Framework for Reference Bony Shape Estimation in
Orthognathic Surgical Planning [55.30223654196882]
仮想的な矯正手術計画では、3次元顔面骨形状モデルにおける顎変形の外科的修正をシミュレートする。
正常な解剖を表現した基準顔骨形状モデルは、計画精度を向上させるための客観的ガイダンスを提供することができる。
本稿では,顔面骨の形状モデルを自動的に推定する自己教師型ディープフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-11T05:24:40Z) - Category Level Object Pose Estimation via Neural Analysis-by-Synthesis [64.14028598360741]
本稿では、勾配に基づくフィッティング法とパラメトリックニューラルネットワーク合成モジュールを組み合わせる。
画像合成ネットワークは、ポーズ設定空間を効率的に分散するように設計されている。
本研究では,2次元画像のみから高精度に物体の向きを復元できることを実験的に示す。
論文 参考訳(メタデータ) (2020-08-18T20:30:47Z) - Shape Prior Deformation for Categorical 6D Object Pose and Size
Estimation [62.618227434286]
RGB-D画像から見えないオブジェクトの6Dポーズとサイズを復元する新しい学習手法を提案する。
本研究では,事前学習したカテゴリ形状からの変形を明示的にモデル化することにより,3次元オブジェクトモデルを再構築するディープネットワークを提案する。
論文 参考訳(メタデータ) (2020-07-16T16:45:05Z) - Monocular Human Pose and Shape Reconstruction using Part Differentiable
Rendering [53.16864661460889]
近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。
本稿では,ボディセグメンテーションを重要な監視対象として紹介する。
部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
論文 参考訳(メタデータ) (2020-03-24T14:25:46Z)
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。