論文の概要: UDCR: Unsupervised Aortic DSA/CTA Rigid Registration Using Deep
Reinforcement Learning and Overlap Degree Calculation
- arxiv url: http://arxiv.org/abs/2403.05753v1
- Date: Sat, 9 Mar 2024 01:18:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 12:43:33.308255
- Title: UDCR: Unsupervised Aortic DSA/CTA Rigid Registration Using Deep
Reinforcement Learning and Overlap Degree Calculation
- Title(参考訳): UDCR: 深部強化学習とオーバーラップ度計算による非教師付き大動脈DSA/CTA登録
- Authors: Wentao Liu, Bowen Liang, Weijin Xu, Tong Tian, Qingsheng Lu, Xipeng
Pan, Haoyuan Li, Siyu Tian, Huihua Yang, Ruisheng Su
- Abstract要約: 深部強化学習に基づく大動脈DSA/CTA剛性登録のための教師なし手法UDCRを提案する。
アルゴリズム評価のために61組の大動脈DSA/CTAを手動でアノテートした結果,UDCRは平均絶対誤差2.85mm,回転4.35degを達成した。
- 参考スコア(独自算出の注目度): 12.201553863670155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rigid registration of aortic Digital Subtraction Angiography (DSA) and
Computed Tomography Angiography (CTA) can provide 3D anatomical details of the
vasculature for the interventional surgical treatment of conditions such as
aortic dissection and aortic aneurysms, holding significant value for clinical
research. However, the current methods for 2D/3D image registration are
dependent on manual annotations or synthetic data, as well as the extraction of
landmarks, which is not suitable for cross-modal registration of aortic
DSA/CTA. In this paper, we propose an unsupervised method, UDCR, for aortic
DSA/CTA rigid registration based on deep reinforcement learning. Leveraging the
imaging principles and characteristics of DSA and CTA, we have constructed a
cross-dimensional registration environment based on spatial transformations.
Specifically, we propose an overlap degree calculation reward function that
measures the intensity difference between the foreground and background, aimed
at assessing the accuracy of registration between segmentation maps and DSA
images. This method is highly flexible, allowing for the loading of pre-trained
models to perform registration directly or to seek the optimal spatial
transformation parameters through online learning. We manually annotated 61
pairs of aortic DSA/CTA for algorithm evaluation. The results indicate that the
proposed UDCR achieved a Mean Absolute Error (MAE) of 2.85 mm in translation
and 4.35{\deg} in rotation, showing significant potential for clinical
applications.
- Abstract(参考訳): 大動脈解離や大動脈瘤などの病態を外科的に治療するための血管の3次元解剖学的詳細を,dsa(dsa)とct angiography(cta)で明らかにし,臨床研究に有意な価値を有する。
しかし、現在の2D/3D画像登録法は、手動のアノテーションや合成データ、および大動脈DSA/CTAのクロスモーダルな登録には適さないランドマークの抽出に依存する。
本稿では,深部強化学習に基づく大動脈DSA/CTA剛性登録のための教師なし手法UDCRを提案する。
dsaとctaのイメージング原理と特性を活用して,空間変換に基づくクロス次元登録環境を構築した。
具体的には,セグメンテーションマップとdsa画像の登録精度を評価するために,前景と背景の強度差を測定する重なり度計算報酬関数を提案する。
この方法は柔軟であり、事前訓練されたモデルのロードが直接登録したり、オンライン学習を通じて最適な空間変換パラメータを求めることができる。
61対の大動脈DSA/CTAを手動でアノテートし,アルゴリズム評価を行った。
その結果,UDCRは平均絶対誤差2.85mm,回転4.35{\degを達成し,臨床応用に有意な可能性を示唆した。
関連論文リスト
- SSASS: Semi-Supervised Approach for Stenosis Segmentation [9.767759441883008]
冠状動脈構造の複雑さとX線像の固有ノイズが相まって,この課題には大きな課題が生じる。
心血管狭窄セグメンテーションに対する半監督的アプローチを提案する。
自動冠状動脈疾患診断では異常な成績を示した。
論文 参考訳(メタデータ) (2023-11-17T02:01:19Z) - Multi-scale, Data-driven and Anatomically Constrained Deep Learning
Image Registration for Adult and Fetal Echocardiography [4.923733944174007]
胎児と成人のエコーにおける深層学習画像登録のための3つの戦略を組み合わせた枠組みを提案する。
以上の結果から, 良好な解剖学的トポロジーと画像テクスチャは, 形状符号化およびデータ駆動型対向損失と強く結びついていることが判明した。
当社のアプローチは,光学フローやElastixなど,従来の非DLゴールド登録手法よりも優れています。
論文 参考訳(メタデータ) (2023-09-02T05:33:31Z) - 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) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。
我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。
提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
論文 参考訳(メタデータ) (2023-06-26T13:32:09Z) - Structure-aware registration network for liver DCE-CT images [50.28546654316009]
セグメント化誘導深層登録網に関連臓器の構造情報を組み込んだ構造認識型登録手法を提案する。
提案手法は,最新技術よりも高い登録精度を達成し,解剖学的構造を効果的に維持することができる。
論文 参考訳(メタデータ) (2023-03-08T14:08:56Z) - Morphology-based non-rigid registration of coronary computed tomography
and intravascular images through virtual catheter path optimization [0.5525871666098097]
血管内画像とCCTA画像の厳密なマッチングと非厳密なマッチングのための半自動セグメンテーションに基づくフレームワークを提案する。
以上の結果から,我々の非剛性登録は,光分岐アライメントにおける他の共存手法よりも優れていたことが示唆された。
論文 参考訳(メタデータ) (2022-12-30T21:48:32Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - Outlier-based Autism Detection using Longitudinal Structural MRI [6.311381904410801]
本稿では, 構造的磁気共鳴画像(sMRI)に基づく自閉症スペクトラム障害の診断を, 異常検出手法を用いて提案する。
GAN(Generative Adversarial Network)は、健康な被験者のsMRIスキャンでのみ訓練される。
実験の結果、ASD検出フレームワークは最先端のトレーニングデータと互換性があり、トレーニングデータもはるかに少ないことがわかった。
論文 参考訳(メタデータ) (2022-02-21T04:37:25Z) - Tattoo tomography: Freehand 3D photoacoustic image reconstruction with
an optical pattern [49.240017254888336]
光音響トモグラフィ(PAT)は、形態学的および機能的組織特性の両方を解決することができる新しいイメージング技術である。
現在の欠点は、従来の2Dプローブによって提供される視野の制限である。
本研究では,外部追跡システムを必要としないPATデータの3次元再構成手法を提案する。
論文 参考訳(メタデータ) (2020-11-10T09:27:56Z) - F3RNet: Full-Resolution Residual Registration Network for Deformable
Image Registration [21.99118499516863]
変形性画像登録(DIR)は多くの画像誘導療法に必須である。
我々は、新しい教師なし登録ネットワーク、すなわちF3RNet(Full-Resolution Residual Registration Network)を提案する。
1つのストリームは、正確なボクセルレベルの登録を容易にするフルレゾリューション情報を利用する。
他方のストリームは、深いマルチスケールの残差表現を学習し、ロバストな認識を得る。
論文 参考訳(メタデータ) (2020-09-15T15:05:54Z)
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。