Fugu-MT 論文翻訳(概要): Registration of Longitudinal Spine CTs for Monitoring Lesion Growth

論文の概要: Registration of Longitudinal Spine CTs for Monitoring Lesion Growth

arxiv url: http://arxiv.org/abs/2402.09341v1
Date: Wed, 14 Feb 2024 17:43:50 GMT
ステータス: 翻訳完了
システム内更新日: 2024-02-15 14:21:56.198796
Title: Registration of Longitudinal Spine CTs for Monitoring Lesion Growth
Title（参考訳）: 病変進展モニタリングのための縦椎ctの登録
Abstract要約: 縦椎CTを自動整列する新しい方法を提案する。本手法は, 椎骨が自動的に局在し, ラベル付けされ, 3次元表面が生成される2段階のパイプラインを追従する。自験例は5例, ベースラインCT3例, 術後3例, 術後12カ月で111例であった。
参考スコア（独自算出の注目度）: 32.449176315776114
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate and reliable registration of longitudinal spine images is essential for assessment of disease progression and surgical outcome. Implementing a fully automatic and robust registration is crucial for clinical use, however, it is challenging due to substantial change in shape and appearance due to lesions. In this paper we present a novel method to automatically align longitudinal spine CTs and accurately assess lesion progression. Our method follows a two-step pipeline where vertebrae are first automatically localized, labeled and 3D surfaces are generated using a deep learning model, then longitudinally aligned using a Gaussian mixture model surface registration. We tested our approach on 37 vertebrae, from 5 patients, with baseline CTs and 3, 6, and 12 months follow-ups leading to 111 registrations. Our experiment showed accurate registration with an average Hausdorff distance of 0.65 mm and average Dice score of 0.92.
Abstract（参考訳）: 疾患進展と手術成績を評価するためには,縦軸画像の正確かつ確実な登録が不可欠である。完全自動かつ頑健な登録の実施は臨床上重要であるが, 病変による形状や外観の大幅な変化により困難である。本稿では,縦軸CTを自動調整し,病変進展を正確に評価する新しい手法を提案する。本手法は, 深層学習モデルを用いて脊椎を自動局在させ, ラベル付けし, 3次元表面を生成し, ガウス混合モデル表面登録を用いて縦方向整列する2段階のパイプラインを追従する。対象は5例から37例, 基本ctで3例, 6例, 12カ月の経過で111例であった。実験では,平均オースドルフ距離0.65mm,平均サイススコア0.92で正確な登録を行った。

関連論文リスト

Automated glenoid bone loss measurement and segmentation in CT scans for pre-operative planning in shoulder instability [4.618498494409548]
肩関節不安定症の手術計画には, 骨量測定の信頼性が不可欠である。三次元CTスキャンによるグリノイド骨量計測のための完全自動深層学習パイプラインの開発と評価を行った。
論文参考訳（メタデータ） (2025-11-18T03:12:22Z)
Markerless Augmented Reality Registration for Surgical Guidance: A Multi-Anatomy Clinical Accuracy Study [6.154533735564864]
我々は,ヘッドマウントディスプレイ上に,奥行きのみのマーカーレス拡張現実(AR)登録パイプラインを開発し,臨床評価を行った。実運用環境における小・低曲率解剖の精度を評価する。
論文参考訳（メタデータ） (2025-11-03T21:58:33Z)
DRBD-Mamba for Robust and Efficient Brain Tumor Segmentation with Analytical Insights [54.87947751720332]
脳腫瘍の正確なセグメンテーションは、臨床診断と治療に重要である。マンバを拠点とするState Space Modelsは、有望なパフォーマンスを示している。本稿では,計算オーバーヘッドを最小限に抑えながら,マルチスケールの長距離依存関係をキャプチャするマルチ解像度双方向マンバを提案する。
論文参考訳（メタデータ） (2025-10-16T07:31:21Z)
Landmark-Free Preoperative-to-Intraoperative Registration in Laparoscopic Liver Resection [50.388465935739376]
術前の3Dモデルを術中2Dフレームにオーバーレイすることで肝臓の空間解剖を明瞭に把握し,より高い手術成功率を達成することができる。既存の登録法は解剖学的ランドマークに大きく依存しており、2つの大きな制限に直面している。本稿では,効果的な自己教師型学習を生かした,目覚ましくない術前・術中登録フレームワークを提案する。
論文参考訳（メタデータ） (2025-04-21T14:55:57Z)
Reconstruction of 3D lumbar spine models from incomplete segmentations using landmark detection [0.4194295877935868]
不完全な3次元椎体から完全3次元腰椎モデルを再構築する新しい方法を提案する。本手法は, 腰椎全椎をわずか0.14秒でL1からL5に区分する。
論文参考訳（メタデータ） (2024-12-06T14:23:42Z)
SpineFM: Leveraging Foundation Models for Automatic Spine X-ray Segmentation [0.0]
本稿では,脊椎の自動分割と同定における最先端性能を実現する新しいパイプラインであるSpineFMを紹介する。椎骨の97.8%と99.6%の同定に成功した2つの公開X線データセットにおいて、優れた結果を得た。
論文参考訳（メタデータ） (2024-11-01T02:51:21Z)
Deep Regression 2D-3D Ultrasound Registration for Liver Motion Correction in Focal Tumor Thermal Ablation [5.585625844344932]
肝腫瘍のアブレーションは, 腫瘍中心部における針の塗布を正確に行う必要がある。画像登録技術は、解剖学的詳細の解釈や腫瘍の同定に有効であるが、その臨床応用は、アライメント精度と実行時のパフォーマンスのトレードオフによって妨げられている。肝運動によるエラーを軽減できる2D-3DUSレジストレーション手法を提案する。
論文参考訳（メタデータ） (2024-10-03T15:24:45Z)
3D Vertebrae Measurements: Assessing Vertebral Dimensions in Human Spine Mesh Models Using Local Anatomical Vertebral Axes [0.4499833362998489]
腰椎と胸椎の3次元メッシュを用いた脊椎形態計測の新しい完全自動計測法を提案する。以上の結果より, 平均絶対誤差(MAE)が1.09mmの低分解能患者特異的脊椎メッシュを精度良く測定できることが示唆された。これらの画像が利用可能であれば, 3次元脊椎モデルを用いて得られた測定結果を, 元の医用画像に正確に再投影できることを示す。
論文参考訳（メタデータ） (2024-02-02T14:52:41Z)
Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
論文参考訳（メタデータ） (2024-01-31T21:05:34Z)
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)
Automatic registration with continuous pose updates for marker-less surgical navigation in spine surgery [52.63271687382495]
本研究では, 腰部脊柱管固定術の登録問題を, 無放射線で自動的に解決するアプローチを提案する。深部神経ネットワークは、腰椎を分割し、その方向を同時に予測するように訓練され、前手術モデルに対する最初のポーズが得られた。拡張現実ベースのナビゲーションシステムとの統合により、直感的な外科的ガイダンスが提供される。
論文参考訳（メタデータ） (2023-08-05T16:26:41Z)
Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文参考訳（メタデータ） (2023-06-06T18:01:08Z)
Segmentation-free Estimation of Aortic Diameters from MRI Using Deep Learning [2.231365407061881]
大動脈径の直接推定のための教師付き深層学習法を提案する。提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
論文参考訳（メタデータ） (2020-09-09T18:28:00Z)
A Convolutional Approach to Vertebrae Detection and Labelling in Whole Spine MRI [70.04389979779195]
脊椎MRIにおける脊椎の発見と同定のための新しい畳み込み法を提案する。これには学習ベクトル場を使用して、検出された脊椎の角を個別の脊椎にまとめる。本手法の臨床的有用性を示すために, 腰部, 脊柱管内MRスキャンにおける側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側方側
論文参考訳（メタデータ） (2020-07-06T09:37:12Z)
Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
論文参考訳（メタデータ） (2020-06-28T19:55:34Z)

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。