Fugu-MT 論文翻訳(概要): LOOC: Localizing Organs using Occupancy Networks and Body Surface Depth Images

論文の概要: LOOC: Localizing Organs using Occupancy Networks and Body Surface Depth Images

arxiv url: http://arxiv.org/abs/2406.12407v1
Date: Tue, 18 Jun 2024 08:57:36 GMT
ステータス: 処理完了
システム内更新日: 2024-06-19 19:46:52.554070
Title: LOOC: Localizing Organs using Occupancy Networks and Body Surface Depth Images
Title（参考訳）: LOOC:Occupency NetworksとBody Surface Depth Imageを用いた臓器の局在化
Authors: Pit Henrich, Franziska Mathis-Ullrich,
Abstract要約: 本研究では, 人体外から採取した単一深度画像から, 67の解剖学的構造を正確に位置決めするために, 占有ネットワークを用いた新しい手法を提案する。本研究の貢献は,隠蔽構造定位のための占有ネットワークの適用,奥行き画像から解剖学的位置を推定する堅牢な手法,詳細な3次元解剖学的アトラスの作成等である。
参考スコア（独自算出の注目度）: 2.104687387907779
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a novel method employing occupancy networks for the precise localization of 67 anatomical structures from single depth images captured from the exterior of the human body. This method considers the anatomical diversity across individuals. Our contributions include the application of occupancy networks for occluded structure localization, a robust method for estimating anatomical positions from depth images, and the creation of detailed, individualized 3D anatomical atlases. This approach promises improvements in medical imaging and automated diagnostic procedures by offering accurate, non-invasive localization of critical anatomical features.
Abstract（参考訳）: 本研究では, 人体外から採取した単一深度画像から, 67の解剖学的構造を正確に位置決めするために, 占有ネットワークを用いた新しい手法を提案する。この方法は個体間の解剖学的多様性を考慮したものである。本研究の貢献は,隠蔽構造定位のための占有ネットワークの適用,奥行き画像から解剖学的位置を推定する堅牢な手法,詳細な3次元解剖学的アトラスの作成等である。このアプローチは、重要な解剖学的特徴の正確な非侵襲的局所化を提供することにより、医療画像および自動診断手順の改善を約束する。

関連論文リスト

Anatomical feature-prioritized loss for enhanced MR to CT translation [0.0479796063938004]
画像翻訳と合成の伝統的な方法は、一般的にグローバルな画像再構成に最適化されている。本研究は、新しい解剖学的特徴優先化(AFP)損失関数を合成プロセスに導入する。 AFP損失関数は、グローバルな再構成手法を置き換え、補うことができ、グローバルなイメージの忠実さと局所的な構造的詳細の両方にバランスよく重点を置いている。
論文参考訳（メタデータ） (2024-10-14T09:40:52Z)
Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文参考訳（メタデータ） (2024-07-08T11:44:15Z)
Towards Foundation Models Learned from Anatomy in Medical Imaging via Self-Supervision [8.84494874768244]
我々は,人間の解剖学に基づいて意識的,目的的に発達した医用画像の基礎モデルを提案する。我々は,人間の解剖学の階層的性質を生かした,新たな自己教師型学習(SSL)戦略を考案した。
論文参考訳（メタデータ） (2023-09-27T01:53:45Z)
Abdominal Multi-Organ Segmentation Based on Feature Pyramid Network and Spatial Recurrent Neural Network [2.8391355909797644]
特徴ピラミッドネットワーク(FPN)と空間リカレントニューラルネットワーク(SRNN)を組み合わせた新しい画像分割モデルを提案する。我々は,FPNを用いて異なるスケールの解剖学的構造を抽出し,腹部超音波像の空間的特徴を抽出するためにSRNNをどのように実装したかについて議論した。
論文参考訳（メタデータ） (2023-08-29T09:13:24Z)
Region-based Contrastive Pretraining for Medical Image Retrieval with Anatomic Query [56.54255735943497]
医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR) 医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
論文参考訳（メタデータ） (2023-05-09T16:46:33Z)
Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
論文参考訳（メタデータ） (2022-11-22T11:34:51Z)
Context-aware Self-supervised Learning for Medical Images Using Graph Neural Network [24.890564475121238]
本稿では,2段階の自己指導型表現学習目標を用いた新しい手法を提案する。グラフニューラルネットワークを用いて、異なる解剖学的領域間の関係を組み込む。グラフの構造は、各患者と解剖学的アトラスの間の解剖学的対応によって通知される。
論文参考訳（メタデータ） (2022-07-06T20:30:12Z)
SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文参考訳（メタデータ） (2021-11-26T13:47:34Z)
Adversarial Domain Feature Adaptation for Bronchoscopic Depth Estimation [111.89519571205778]
そこで本研究では,深度推定のためのドメイン適応手法を提案する。提案する2段階構造は,まず,ラベル付き合成画像を用いた深度推定ネットワークを教師付きで訓練する。実験の結果,提案手法は実画像上でのネットワーク性能をかなりの差で向上させることがわかった。
論文参考訳（メタデータ） (2021-09-24T08:11:34Z)
Spatially Dependent U-Nets: Highly Accurate Architectures for Medical Imaging Segmentation [10.77039660100327]
解剖学的構造に固有の空間的コヒーレンスを利用する新しいディープニューラルネットワークアーキテクチャを紹介します。提案手法は,分割画素/ボクセル空間における長距離空間依存性を捉えるのに有効である。本手法は一般的に使用されるU-NetおよびU-Net++アーキテクチャに好適に作用する。
論文参考訳（メタデータ） (2021-03-22T10:37:20Z)
Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
我々はCTにおける臓器局所化のための深層強化学習手法を提案する。この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
論文参考訳（メタデータ） (2020-05-11T10:06:13Z)

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。