論文の概要: XCAT-3.0: A Comprehensive Library of Personalized Digital Twins Derived from CT Scans
- arxiv url: http://arxiv.org/abs/2405.11133v3
- Date: Mon, 9 Sep 2024 19:34:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 23:03:57.275673
- Title: XCAT-3.0: A Comprehensive Library of Personalized Digital Twins Derived from CT Scans
- Title（参考訳）: XCAT-3.0:CTスキャンから得られた個人化デジタル双生児の総合ライブラリ
- Authors: Lavsen Dahal, Mobina Ghojoghnejad, Dhrubajyoti Ghosh, Yubraj Bhandari, David Kim, Fong Chi Ho, Fakrul Islam Tushar, Sheng Luoa, Kyle J. Lafata, Ehsan Abadi, Ehsan Samei, Joseph Y. Lo, W. Paul Segars,
- Abstract要約: 本研究では,一連の自動セグメンテーションモデルを用いて,現実的な計算ファントムを作成するためのフレームワークを提案する。
新しい構造は140の構造を具現化し、詳細な解剖学的モデリングへの包括的アプローチを示している。
このフレームワークは、仮想画像治験を推進し、医用画像技術の信頼性評価を促進する可能性がある。
- 参考スコア（独自算出の注目度）: 2.1423779581455182
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Virtual Imaging Trials (VIT) offer a cost-effective and scalable approach for evaluating medical imaging technologies. Computational phantoms, which mimic real patient anatomy and physiology, play a central role in VITs. However, the current libraries of computational phantoms face limitations, particularly in terms of sample size and diversity. Insufficient representation of the population hampers accurate assessment of imaging technologies across different patient groups. Traditionally, the more realistic computational phantoms were created by manual segmentation, which is a laborious and time-consuming task, impeding the expansion of phantom libraries. This study presents a framework for creating realistic computational phantoms using a suite of automatic segmentation models and performing three forms of automated quality control on the segmented organ masks. The result is the release of over 2500 new computational phantoms, so-named XCAT3.0 after the ubiquitous XCAT computational construct. This new formation embodies 140 structures and represents a comprehensive approach to detailed anatomical modeling. The developed computational phantoms are formatted in both voxelized and surface mesh formats. The framework is combined with an in-house CT scanner simulator to produce realistic CT images. The framework has the potential to advance virtual imaging trials, facilitating comprehensive and reliable evaluations of medical imaging technologies. Phantoms may be requested at https://cvit.duke.edu/resources/. Code, model weights, and sample CT images are available at https://xcat-3.github.io/.
- Abstract（参考訳）: VIT(Virtual Imaging Trials)は、医療画像技術の評価に費用効率が高くスケーラブルなアプローチを提供する。
実際の患者解剖学と生理学を模倣する計算幻覚は、VITにおいて中心的な役割を果たす。
しかし、現在の計算ファントムのライブラリは、特にサンプルサイズと多様性の点で制限に直面している。
異なる患者群にまたがる画像技術の正確な評価は, 人口ハマーの表現が不十分である。
伝統的に、より現実的な計算ファントムは手作業によるセグメンテーションによって作成され、それは手間と時間を要する作業であり、ファントム図書館の拡張を妨げる。
本研究では, 自動セグメンテーションモデルを用いてリアルな計算ファントムを作成するためのフレームワークを提案し, セグメンテーションされたオルガンマスク上で3種類の自動品質制御を行う。
その結果、2500以上の新しい計算ファントムがリリースされ、XCAT3.0という名前はユビキタスなXCAT計算構造にちなむ。
この新たな構造は140の構造を具現化し、詳細な解剖学的モデリングへの包括的アプローチを示している。
開発された計算ファントムは、ボキセル化および表面メッシュフォーマットの両方でフォーマットされる。
このフレームワークは、社内のCTスキャナーと組み合わせて、リアルなCT画像を生成する。
このフレームワークは、医用画像技術の総合的かつ信頼性の高い評価を促進するために、仮想画像治験を前進させる可能性を秘めている。
Phantomsはhttps://cvit.duke.edu/resources/でリクエストできる。
コード、モデルウェイト、サンプルCT画像はhttps://xcat-3.github.io/.com/で公開されている。
関連論文リスト
- μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation [2.012378666405002]
X線計算マイクロトモグラフィー(mu-CT)は、医学および生物学的サンプルの内部解剖の高解像度な3D画像を生成する非破壊的手法である。
3D画像から関連情報を抽出するには、興味のある領域のセマンティックセグメンテーションが必要である。
本稿では、畳み込みニューラルネットワーク(CNN)を用いて、Carassius auratusの心臓の完全な形態を自動分割する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-24T15:29:08Z) - VISTA3D: Versatile Imaging SegmenTation and Annotation model for 3D Computed Tomography [18.111368889931885]
VISTA3D, Versatile Imaging SegmenTation などの3次元CTセグメンテーションモデルが持つべき特徴について論じる。
このモデルは、1454巻に117種類のヒト解剖学的構造と様々な病変を含む体系的に訓練されている。
モデルの設計は、最先端のゼロショットインタラクティブセグメンテーションを3Dで実現している。
論文 参考訳（メタデータ） (2024-06-07T22:41:39Z) - CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios [53.94122089629544]
我々は,CT-GLIP(Grounded Language- Image Pretraining with CT scans)を導入する。
本手法は,104臓器にわたる17,702症例を対象に,44,011例の臓器レベルの視覚テキストペアからなるマルチモーダルCTデータセットを用いて訓練し,自然言語を用いて臓器と異常をゼロショットで識別できることを実証した。
論文 参考訳（メタデータ） (2024-04-23T17:59:01Z) - Creating a Digital Twin of Spinal Surgery: A Proof of Concept [68.37190859183663]
手術デジタル化は、現実世界の手術の仮想レプリカを作成するプロセスである。
脊椎外科手術に応用した手術デジタル化のための概念実証(PoC)を提案する。
5台のRGB-Dカメラを外科医の動的3D再構成に、ハイエンドカメラを解剖学の3D再構成に、赤外線ステレオカメラを手術器具追跡に、レーザースキャナーを手術室の3D再構成とデータ融合に使用した。
論文 参考訳（メタデータ） (2024-03-25T13:09:40Z) - Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。
本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。
本手法は,多視点グローバル情報を自然に学習することができる。
論文 参考訳（メタデータ） (2023-07-24T14:43:07Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳（メタデータ） (2021-01-14T03:45:01Z) - Disassemblable Fieldwork CT Scanner Using a 3D-printed Calibration
Phantom [8.963422124274095]
軌道再生が不可能な場合でもキャリブレーションが可能な,低コストで分解可能なCTスキャナを提案する。
3Dプリンティング・イン・イメージ・キャリブレーション・ファントムを用いて,各撮影したX線プロジェクションから直接投影行列を計算した。
論文 参考訳（メタデータ） (2020-11-12T22:07:29Z) - Convolutional-LSTM for Multi-Image to Single Output Medical Prediction [55.41644538483948]
発展途上国の一般的なシナリオは、複数の理由からボリュームメタデータが失われることである。
ヒトの診断過程を模倣したマルチイメージから単一診断モデルを得ることが可能である。
論文 参考訳（メタデータ） (2020-10-20T04:30:09Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - Automatic phantom test pattern classification through transfer learning
with deep neural networks [29.55279256669142]
画像ファントム(英: Imaging phantoms)は、コンピュータ断層撮影(CT)システムにおける画像品質を測定するために用いられるテストパターンである。
深層学習技術を用いて,一連のファントム画像にこれらのテストパターンを自動的に分類する手法を提案する。
論文 参考訳（メタデータ） (2020-01-22T18:17:41Z)
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。