Fugu-MT 論文翻訳(概要): Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images

論文の概要: Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images

arxiv url: http://arxiv.org/abs/2407.01931v1
Date: Tue, 2 Jul 2024 03:56:20 GMT
ステータス: 処理完了
システム内更新日: 2024-07-03 16:43:59.619041
Title: Probabilistic 3D Correspondence Prediction from Sparse Unsegmented Images
Title（参考訳）: スパースアンセグメンション画像からの確率的3次元対応予測
Authors: Krithika Iyer, Shireen Y. Elhabian,
Abstract要約: スパース画像データから3次元対応を予測する統一モデルであるSPI-CorrNetを提案する。 LGE MRI左房データセットとAbdomen CT-1K肝データセットを用いた実験により,スパース画像駆動SSMの精度とロバスト性の向上が示された。
参考スコア（独自算出の注目度）: 1.2179682412409507
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The study of physiology demonstrates that the form (shape)of anatomical structures dictates their functions, and analyzing the form of anatomies plays a crucial role in clinical research. Statistical shape modeling (SSM) is a widely used tool for quantitative analysis of forms of anatomies, aiding in characterizing and identifying differences within a population of subjects. Despite its utility, the conventional SSM construction pipeline is often complex and time-consuming. Additionally, reliance on linearity assumptions further limits the model from capturing clinically relevant variations. Recent advancements in deep learning solutions enable the direct inference of SSM from unsegmented medical images, streamlining the process and improving accessibility. However, the new methods of SSM from images do not adequately account for situations where the imaging data quality is poor or where only sparse information is available. Moreover, quantifying aleatoric uncertainty, which represents inherent data variability, is crucial in deploying deep learning for clinical tasks to ensure reliable model predictions and robust decision-making, especially in challenging imaging conditions. Therefore, we propose SPI-CorrNet, a unified model that predicts 3D correspondences from sparse imaging data. It leverages a teacher network to regularize feature learning and quantifies data-dependent aleatoric uncertainty by adapting the network to predict intrinsic input variances. Experiments on the LGE MRI left atrium dataset and Abdomen CT-1K liver datasets demonstrate that our technique enhances the accuracy and robustness of sparse image-driven SSM.
Abstract（参考訳）: 生理学の研究は、解剖学的構造の形状(形状)がその機能を規定し、解剖学の形状を分析することが臨床研究において重要な役割を担っていることを示した。統計的形状モデリング (SSM) は、解剖学の形式を定量的に分析し、個体群内の差異を識別するのを助けるために広く用いられているツールである。実用性にもかかわらず、従来のSSM建設パイプラインは複雑で時間を要することが多い。さらに、線形性仮定への依存は、モデルが臨床的に関連するバリエーションをキャプチャすることをさらに制限する。近年のディープラーニングソリューションの進歩により、未分類の医療画像からのSSMの直接推論が可能となり、プロセスの合理化とアクセシビリティの向上が可能となった。しかし,画像からのSSMの新しい手法は,画像データ品質が低かったり,スパース情報しか得られなかったりする状況には十分対応していない。さらに,データ変動性を表すアレタリック不確実性の定量化は,信頼性の高いモデル予測と堅牢な意思決定を確保するために,特に困難な画像条件において,臨床タスクのための深層学習の展開に不可欠である。そこで本研究では,スパース画像データから3次元対応性を予測する統一モデルであるSPI-CorrNetを提案する。教師ネットワークを利用して特徴学習を規則化し、本質的な入力分散を予測するためにネットワークを適用することにより、データ依存のアレタリック不確実性を定量化する。 LGE MRI左房データセットとAbdomen CT-1K肝データセットを用いた実験により,スパース画像駆動SSMの精度とロバスト性の向上が示された。

関連論文リスト

A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。我々の推論速度は拡散法よりも1,400倍速い。
論文参考訳（メタデータ） (2024-10-05T20:03:57Z)
Weakly Supervised Bayesian Shape Modeling from Unsegmented Medical Images [4.424170214926035]
対応型統計形状モデリング(SSM)は、人口レベルの形態計測を容易にする。ディープラーニングの最近の進歩は、推論においてこのプロセスを合理化している。我々は,ポイントクラウドを用いた画像からSSMを予測するために,弱い教師付きディープラーニングアプローチを導入する。
論文参考訳（メタデータ） (2024-05-15T20:47:59Z)
QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文参考訳（メタデータ） (2024-03-19T17:57:24Z)
ADASSM: Adversarial Data Augmentation in Statistical Shape Models From Images [0.8192907805418583]
本稿では,データ依存型ノイズ生成やテクスチャ拡張を利用して,画像間SSMフレームワークのオンザフライデータ拡張のための新しい戦略を提案する。提案手法は,画素値のみに頼らず,基礎となる幾何学に焦点をあてることにより,精度の向上を実現する。
論文参考訳（メタデータ） (2023-07-06T20:21:12Z)
S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文参考訳（メタデータ） (2023-04-15T09:39:52Z)
DrasCLR: A Self-supervised Framework of Learning Disease-related and Anatomy-specific Representation for 3D Medical Images [23.354686734545176]
3次元医用イメージングのための新しいSSLフレームワークDrasCLRを提案する。本研究では, 局所解剖学的領域内の微妙な疾患パターンを捉えることを目的としており, 大規模領域にまたがる深刻な疾患パターンを表現することを目的としている。
論文参考訳（メタデータ） (2023-02-21T01:32:27Z)
From Images to Probabilistic Anatomical Shapes: A Deep Variational Bottleneck Approach [0.0]
3次元医用画像から直接の統計的形状モデリング(SSM)は、病理の検出、疾患の診断、人口レベルの形態解析を行うための未利用のツールである。本稿では,これらの仮定を緩和するために,変分情報ボトルネック理論に基づく基本的枠組みを提案する。実験により,提案手法により精度が向上し,校正精度が向上することを確認した。
論文参考訳（メタデータ） (2022-05-13T19:39:08Z)
Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
論文参考訳（メタデータ） (2021-04-07T01:15:06Z)
Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。しかし、現在臨床応用はごくわずかである。異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文参考訳（メタデータ） (2020-10-14T16:34:21Z)
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)

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。