論文の概要: LiverUSRecon: Automatic 3D Reconstruction and Volumetry of the Liver with a Few Partial Ultrasound Scans
- arxiv url: http://arxiv.org/abs/2406.19336v3
- Date: Wed, 25 Sep 2024 10:09:03 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-09 00:59:29.485445
- Title: LiverUSRecon: Automatic 3D Reconstruction and Volumetry of the Liver with a Few Partial Ultrasound Scans
- Title（参考訳）: LiverUSRecon : 超音波検査による肝の3次元自動再建と体積測定
- Authors: Kaushalya Sivayogaraj, Sahan T. Guruge, Udari Liyanage, Jeevani Udupihille, Saroj Jayasinghe, Gerard Fernando, Ranga Rodrigo, M. Rukshani Liyanaarachchi,
- Abstract要約: 超音波(US)スキャンによる肝体積測定は,USスキャン,ぼやけた境界,部分的な肝可視性などのノイズが原因で困難である。
肝のCTスキャンを用いて構築した統計的形状モデル (SSM) と合わせて, 肝の非完全矢状面USスキャンのセグメンテーションマスクを用いて, これらの課題に対処する。
3次元肝再建は正確であり,自動肝体積計算に繋がる。
- 参考スコア（独自算出の注目度）: 1.2009760098637572
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: 3D reconstruction of the liver for volumetry is important for qualitative analysis and disease diagnosis. Liver volumetry using ultrasound (US) scans, although advantageous due to less acquisition time and safety, is challenging due to the inherent noisiness in US scans, blurry boundaries, and partial liver visibility. We address these challenges by using the segmentation masks of a few incomplete sagittal-plane US scans of the liver in conjunction with a statistical shape model (SSM) built using a set of CT scans of the liver. We compute the shape parameters needed to warp this canonical SSM to fit the US scans through a parametric regression network. The resulting 3D liver reconstruction is accurate and leads to automatic liver volume calculation. We evaluate the accuracy of the estimated liver volumes with respect to CT segmentation volumes using RMSE. Our volume computation is statistically much closer to the volume estimated using CT scans than the volume computed using Childs' method by radiologists: p-value of 0.094 (>0.05) says that there is no significant difference between CT segmentation volumes and ours in contrast to Childs' method. We validate our method using investigations (ablation studies) on the US image resolution, the number of CT scans used for SSM, the number of principal components, and the number of input US scans. To the best of our knowledge, this is the first automatic liver volumetry system using a few incomplete US scans given a set of CT scans of livers for SSM.
- Abstract（参考訳）: 質的解析と疾患診断には肝の3次元再構築が重要である。
超音波(US)スキャンを用いた肝容積検査は、取得時間と安全性が低いため有利であるが、USスキャンの本質的なノイズ、ぼやけた境界、部分的な肝可視性により困難である。
肝のCTスキャンを用いて構築した統計的形状モデル (SSM) と合わせて, 肝の非完全矢状面USスキャンのセグメンテーションマスクを用いて, これらの課題に対処する。
我々は、この標準SSMを演算し、パラメトリック回帰ネットワークを介してUSスキャンに適合させるために必要な形状パラメータを計算した。
3次元肝再建は正確であり,自動肝体積計算に繋がる。
RMSEを用いてCTの分画量に対する肝体積推定値の精度を評価した。
p-value of 0.094 (>0.05) says that no significant difference between CT segmentation volume and ours in contrast with Childs' method。
我々は,US画像の解像度,SSMに使用されるCTスキャン数,主成分数,US画像の入力数に関する調査(アブレーション研究)を用いて,本手法を検証した。
我々の知る限り、これはSSM用の肝臓のCTスキャンを施した、いくつかの不完全なUSスキャンを用いた初めての自動肝容積検査システムである。
関連論文リスト
- YNetr: Dual-Encoder architecture on Plain Scan Liver Tumors (PSLT) [11.779888288866577]
肝腫瘍は良性または悪性の肝の異常な増殖である。
肝腫瘍のプレーンスキャンセグメンテーションのためのデータセットは存在しない。
そこで我々はPlain Scan Liver tumors(PSLT)とYNetrを提案する。
論文 参考訳（メタデータ） (2024-03-30T11:41:19Z) - Weakly-Supervised Detection of Bone Lesions in CT [48.34559062736031]
骨格領域は乳腺と前立腺に転移性癌が拡がる一般的な部位の1つである。
代用セグメンテーションタスクによりCTボリュームの骨病変を検出するパイプラインを開発した。
不完全および部分的トレーニングデータを用いたにもかかわらず,CTでは96.7%,47.3%の精度で骨病変が検出された。
論文 参考訳（メタデータ） (2024-01-31T21:05:34Z) - Tissue Segmentation of Thick-Slice Fetal Brain MR Scans with Guidance
from High-Quality Isotropic Volumes [52.242103848335354]
本稿では,高品位等方性ボリュームから学習した知識を高密度スライススキャンの正確な組織セグメント化のために効率的に伝達するC2DA-Netを提案する。
我々のC2DA-Netは、注釈のない厚いスライススキャンで組織分画をガイドするために、注釈付き等方性ボリュームの小さなセットを十分に利用できる。
論文 参考訳（メタデータ） (2023-08-13T12:51:15Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - Efficient liver segmentation with 3D CNN using computed tomography scans [0.0]
肝腫瘍による肝疾患は、世界で最も一般的な理由の1つである。
多くの画像モダリティは、肝腫瘍を検出するための補助ツールとして使用できる。
腹部CTから肝を検出・分画する効率的な自動肝分画フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-28T19:02:39Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Self-Supervised Multi-Modal Alignment for Whole Body Medical Imaging [70.52819168140113]
我々は、英国バイオバンクの2万名以上の被験者のデータセットを使用し、全体Dixon法磁気共鳴法(MR)スキャンとデュアルエネルギーX線吸収率法(DXA)スキャンを併用した。
マルチモーダル画像マッチングコントラストフレームワークを導入し、同一対象の異なるモダリティスキャンを高精度にマッチングすることができる。
適応がなければ、この対照的なトレーニングステップで学習した対応が、自動クロスモーダルスキャン登録の実行に利用できることを示す。
論文 参考訳（メタデータ） (2021-07-14T12:35:05Z) - Context-aware PolyUNet for Liver and Lesion Segmentation from Abdominal
CT Images [2.5576691384612413]
本稿では,肝と病変の正確なセグメンテーションのための新しい文脈認識型PolyUNetを提案する。
特徴表現力と空間的文脈情報を豊かにするために、構造的多様性と連続的なt-アジャセントスライスを共同で検討する。
本手法は,MICCAI 2017 Liver tumor (LiTS) Challengeで非常に優れた成績を示した。
論文 参考訳（メタデータ） (2021-06-21T18:01:04Z) - Multi-Slice Low-Rank Tensor Decomposition Based Multi-Atlas
Segmentation: Application to Automatic Pathological Liver CT Segmentation [4.262342157729123]
腹部CT像からの肝分画は,肝癌のコンピュータ診断と手術計画に必須のステップである。
現在、既存の肝セグメンテーション法の精度と堅牢性は臨床応用の要件を満たしていない。
低ランクテンソル分解(LRTD)ベースのマルチアトラス分割(MAS)フレームワークを提案し、CT画像の正確で堅牢な病理学的肝分割を実現する。
論文 参考訳（メタデータ） (2021-02-24T04:09:39Z) - 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) - Automatic segmentation and determining radiodensity of the liver in a
large-scale CT database [0.0]
この技術は、様々な患者位置で得られたCT画像を幅広い露光パラメーターで処理するために使用することができる。
実際の大規模医療データベースでは、100万以上の研究で低用量CTスキャンを処理できる。
論文 参考訳（メタデータ） (2019-12-31T12:41:05Z)
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。