Fugu-MT 論文翻訳(概要): NeuralOCT: Airway OCT Analysis via Neural Fields

論文の概要: NeuralOCT: Airway OCT Analysis via Neural Fields

arxiv url: http://arxiv.org/abs/2403.10622v1
Date: Fri, 15 Mar 2024 18:35:14 GMT
ステータス: 処理完了
システム内更新日: 2024-03-19 22:34:14.733940
Title: NeuralOCT: Airway OCT Analysis via Neural Fields
Title（参考訳）: NeuralOCT:ニューラルフィールドによる気道OCT解析
Authors: Yining Jiao, Amy Oldenburg, Yinghan Xu, Srikamal Soundararajan, Carlton Zdanski, Julia Kimbell, Marc Niethammer,
Abstract要約: 気道OCT画像処理のための学習ベースアプローチである$textttNeural OCTを提案する。具体的には、$textttNeural OCTは、OCTスキャンから2Dセグメンテーションによるポイントクラウド抽出と、ニューラルネットワークによるポイントクラウドからの3D再構成という2つのステップを堅牢にブリッジすることで、3Dジオメトリを抽出する。実験の結果,$textttNeural OCT$は,平均A線誤差が70マイクロメートル未満の高精度で頑健な3次元気道再建を実現することがわかった。
参考スコア（独自算出の注目度）: 11.984738549104534
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Optical coherence tomography (OCT) is a popular modality in ophthalmology and is also used intravascularly. Our interest in this work is OCT in the context of airway abnormalities in infants and children where the high resolution of OCT and the fact that it is radiation-free is important. The goal of airway OCT is to provide accurate estimates of airway geometry (in 2D and 3D) to assess airway abnormalities such as subglottic stenosis. We propose $\texttt{NeuralOCT}$, a learning-based approach to process airway OCT images. Specifically, $\texttt{NeuralOCT}$ extracts 3D geometries from OCT scans by robustly bridging two steps: point cloud extraction via 2D segmentation and 3D reconstruction from point clouds via neural fields. Our experiments show that $\texttt{NeuralOCT}$ produces accurate and robust 3D airway reconstructions with an average A-line error smaller than 70 micrometer. Our code will cbe available on GitHub.
Abstract（参考訳）: 光コヒーレンストモグラフィー(OCT)は眼科では一般的なモダリティであり、血管内でも用いられる。本研究の関心は,OCTの高分解能と無放射線化が重要である幼児・小児の気道異常の文脈におけるOCTである。気道OCTの目的は,声門下狭窄などの気道異常を評価するために,気道形状(2次元および3次元)を正確に推定することである。気道OCT画像処理のための学習ベースアプローチである$\texttt{NeuralOCT}$を提案する。具体的には、$\texttt{NeuralOCT}$は、2Dセグメンテーションによるポイントクラウド抽出と、ニューラルネットワークによるポイントクラウドからの3D再構成という2つのステップを堅牢にブリッジすることで、OCTスキャンから3Dジオメトリを抽出する。実験の結果,$\texttt{NeuralOCT}$は,平均A線誤差が70マイクロメートル未満の高精度でロバストな3次元気道再構成を実現することがわかった。私たちのコードはGitHubで入手可能です。

関連論文リスト

Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文参考訳（メタデータ） (2023-05-27T03:55:19Z)
Non-rigid Point Cloud Registration for Middle Ear Diagnostics with Endoscopic Optical Coherence Tomography [1.7970627394606764]
中耳感染症は、特に小児において最も多い炎症性疾患である。そこで我々は,C2P-Netを提案する。C2P-Netは点雲のための2段階の非剛性登録パイプラインで,インビビオノイズと部分的なCT画像の解釈を支援する。
論文参考訳（メタデータ） (2023-04-26T15:20:48Z)
Are Macula or Optic Nerve Head Structures better at Diagnosing Glaucoma? An Answer using AI and Wide-Field Optical Coherence Tomography [48.7576911714538]
我々は3次元広視野CTスキャンで視神経頭部(ONH)と黄斑構造を自動的に分割する深層学習アルゴリズムを開発した。分類アルゴリズムにより,ONHおよび黄斑組織を0.94$pm$0.003のDCで分画することができた。これにより3次元広視野CTスキャンが主流となる可能性がある。
論文参考訳（メタデータ） (2022-10-13T01:51:29Z)
Medical Application of Geometric Deep Learning for the Diagnosis of Glaucoma [60.42955087779866]
シンガポール国立眼科における視神経頭部の3DスキャンをSpectralis OCTで477緑内障と2,296名の非緑内障患者に対して行った。全巻は、ディープラーニングを用いて自動的にセグメンテーションされ、7つの主要な神経組織と結合組織が識別された。ポイントネットは、3Dポイントクラウドとして表されるONHのみから頑健な緑内障の診断を行うことができた。
論文参考訳（メタデータ） (2022-04-14T14:55:25Z)
Geometric Deep Learning to Identify the Critical 3D Structural Features of the Optic Nerve Head for Glaucoma Diagnosis [52.06403518904579]
視神経頭(ONH)は緑内障の発生・進展過程において複雑で深い3次元形態変化を呈する。我々は3D ONH点群から緑内障の診断にPointNetと動的グラフ畳み込みニューラルネットワーク(DGCNN)を用いた。幅広い眼科疾患の診断・予後に臨床応用される可能性も高い。
論文参考訳（メタデータ） (2022-04-14T12:52:10Z)
CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文参考訳（メタデータ） (2021-11-16T15:03:42Z)
A Novel Hybrid Convolutional Neural Network for Accurate Organ Segmentation in 3D Head and Neck CT Images [31.245109574064532]
本研究では,2次元と3次元の畳み込みを融合させて異なる空間解像度に対処し,3次元HaNCT画像から効果的なエッジとセマンティック特徴を抽出するハイブリッドCNNを提案する。 MICCAI 2015チャレンジデータセットの実験は、OrganNet2.5Dが最先端の手法と比較して有望なパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2021-09-26T15:37:47Z)
LIFE: A Generalizable Autodidactic Pipeline for 3D OCT-A Vessel Segmentation [5.457168581192045]
最近のディープラーニングアルゴリズムは、有望な血管セグメンテーションの結果を生み出した。しかし、手動による注記データがないため、3D網膜血管セグメンテーションは依然として困難である。自己合成モダリティのみによって教師される学習に基づく手法を提案する。
論文参考訳（メタデータ） (2021-07-09T07:51:33Z)
4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
論文参考訳（メタデータ） (2020-07-02T12:02:20Z)
Deep Learning based detection of Acute Aortic Syndrome in contrast CT images [2.2928817466049405]
急性大動脈症候群 (AAS) は大動脈の生命を脅かす一群である。我々はCT画像におけるAAS検出のためのエンドツーエンド自動アプローチを開発した。
論文参考訳（メタデータ） (2020-04-03T16:12:04Z)

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。