論文の概要: GuidedRec: Guiding Ill-Posed Unsupervised Volumetric Recovery

• arxiv url: http://arxiv.org/abs/2405.11977v1
• Date: Mon, 20 May 2024 12:13:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 13:14:56.755039
• Title: GuidedRec: Guiding Ill-Posed Unsupervised Volumetric Recovery
• Title（参考訳）: GuidedRec: Ill-Posed Unsupervised Volumetric Recoveryのガイド
• Authors: Alexandre Cafaro, Amaury Leroy, Guillaume Beldjoudi, Pauline Maury, Charlotte Robert, Eric Deutsch, Vincent Grégoire, Vincent Lepetit, Nikos Paragios,
• Abstract要約: 本稿では, 体積構造の生成モデルを用いて変形を制限し, 正確な推定値を得る方法について述べる。 我々は、挑戦的なデータセットに対する我々のアプローチを評価し、最先端の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 47.758461573050006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce a novel unsupervised approach to reconstructing a 3D volume from only two planar projections that exploits a previous\-ly-captured 3D volume of the patient. Such volume is readily available in many important medical procedures and previous methods already used such a volume. Earlier methods that work by deforming this volume to match the projections typically fail when the number of projections is very low as the alignment becomes underconstrained. We show how to use a generative model of the volume structures to constrain the deformation and obtain a correct estimate. Moreover, our method is not bounded to a specific sensor calibration and can be applied to new calibrations without retraining. We evaluate our approach on a challenging dataset and show it outperforms state-of-the-art methods. As a result, our method could be used in treatment scenarios such as surgery and radiotherapy while drastically reducing patient radiation exposure.
• Abstract（参考訳）: 既往の3Dボリュームを利用した2つの平面投影から3Dボリュームを再構成する新規な教師なしアプローチを提案する。 このようなボリュームは、多くの重要な医療処置で容易に利用でき、以前の方法ではすでにそのようなボリュームを使用していた。 この体積をプロジェクションに合わせるために変形することによって機能する初期の手法は、アライメントが過小評価されるにつれて、投射の数が非常に低いときに失敗する。 本稿では, 体積構造の生成モデルを用いて変形を制限し, 正確な推定値を得る方法について述べる。 さらに,本手法は特定のセンサキャリブレーションに縛られず,リトレーニングなしで新しいキャリブレーションに適用できる。 我々は、挑戦的なデータセットに対する我々のアプローチを評価し、最先端の手法より優れていることを示す。 その結果,患者の放射線被曝を劇的に減少させながら,手術や放射線治療などの治療シナリオにおいて本手法が有効であった。

関連論文リスト

• Advancing Depth Anything Model for Unsupervised Monocular Depth Estimation in Endoscopy [3.1186464715409983]
  本稿では,Depth Anything Modelのための新しい微調整戦略を提案する。 本手法は本態性に基づく教師なし単眼深度推定フレームワークと統合する。 SCAREDデータセットで得られた結果は,本手法が最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-09-12T03:04:43Z)
• Aortic root landmark localization with optimal transport loss for heatmap regression [0.0]
  粗い画像からの高精度な一段階ランドマーク定位法を提案する。 仙台高瀬井病院で収集した3次元CT画像データセットに本手法を適用した。
  論文  参考訳（メタデータ） (2024-07-06T02:01:48Z)
• Regularized DeepIV with Model Selection [72.17508967124081]
  正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。 我々の手法は現在の最先端の収束率と一致している。
  論文  参考訳（メタデータ） (2024-03-07T05:38:56Z)
• Position Regression for Unsupervised Anomaly Detection [0.8999666725996974]
  座標回帰に基づく新しい異常検出手法を提案する。 本手法は,健康な被験者のデータのみに基づいて,ボリューム内のパッチの位置を推定する。 本手法は,画像再構成に係わる他の手法よりも少ないメモリを必要とすることを示す。
  論文  参考訳（メタデータ） (2023-01-19T13:22:11Z)
• Simulator-Based Self-Supervision for Learned 3D Tomography Reconstruction [34.93595625809309]
  従来の機械学習アプローチでは、トレーニングのために別のアルゴリズムで計算された参照再構成が必要となる。 我々は、ノイズの多い2次元X線データのみを用いて、完全に自己教師された方法でモデルを訓練する。 以上の結果から,既存の再建技術よりも視覚的忠実度が高く,PSNRが優れていた。
  論文  参考訳（メタデータ） (2022-12-14T13:21:37Z)
• Solving Inverse Problems in Medical Imaging with Score-Based Generative Models [87.48867245544106]
  CT(Computed Tomography)とMRI(Magnetic Resonance Imaging)における医用画像の再構成は重要な逆問題である 機械学習に基づく既存のソリューションは通常、測定結果を医療画像に直接マッピングするモデルを訓練する。 本稿では,最近導入されたスコアベース生成モデルを利用して,逆問題解決のための教師なし手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T05:41:12Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Simultaneous Estimation of X-ray Back-Scatter and Forward-Scatter using Multi-Task Learning [59.17383024536595]
  後方散乱は複雑な介入の際の患者(皮膚)の服用に大きく寄与する。 前方散乱放射線は投影画像のコントラストを低減し、3次元再構成でアーティファクトを導入する。 本稿では,従来の手法と学習に基づく手法を組み合わせて,検出器に到達した前方散乱を同時に推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-08T10:47:37Z)

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。