論文の概要: Nonrigid Reconstruction of Freehand Ultrasound without a Tracker
- arxiv url: http://arxiv.org/abs/2407.05767v2
- Date: Sun, 14 Jul 2024 10:36:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 21:47:52.821582
- Title: Nonrigid Reconstruction of Freehand Ultrasound without a Tracker
- Title（参考訳）: トラッカーのないフリーハンド超音波の非剛性再建
- Authors: Qi Li, Ziyi Shen, Qianye Yang, Dean C. Barratt, Matthew J. Clarkson, Tom Vercauteren, Yipeng Hu,
- Abstract要約: トラッカーを使わずに2Dフリーハンド超音波(US)フレームを3次元空間に再構成する手法は,近年,ディープラーニングの進歩を目にしている。
本研究では, 3次元USの再構成における非剛性変換の予測手法とその利点について検討した。
そこで本稿では, トラッカーからの接地構造によって制御されたUSフレーム間の剛性変換を同時に推定する, 正規化された登録ネットワークによって最適化された非剛性変形を同時に最適化するアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 17.089080913112586
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reconstructing 2D freehand Ultrasound (US) frames into 3D space without using a tracker has recently seen advances with deep learning. Predicting good frame-to-frame rigid transformations is often accepted as the learning objective, especially when the ground-truth labels from spatial tracking devices are inherently rigid transformations. Motivated by a) the observed nonrigid deformation due to soft tissue motion during scanning, and b) the highly sensitive prediction of rigid transformation, this study investigates the methods and their benefits in predicting nonrigid transformations for reconstructing 3D US. We propose a novel co-optimisation algorithm for simultaneously estimating rigid transformations among US frames, supervised by ground-truth from a tracker, and a nonrigid deformation, optimised by a regularised registration network. We show that these two objectives can be either optimised using meta-learning or combined by weighting. A fast scattered data interpolation is also developed for enabling frequent reconstruction and registration of non-parallel US frames, during training. With a new data set containing over 357,000 frames in 720 scans, acquired from 60 subjects, the experiments demonstrate that, due to an expanded thus easier-to-optimise solution space, the generalisation is improved with the added deformation estimation, with respect to the rigid ground-truth. The global pixel reconstruction error (assessing accumulative prediction) is lowered from 18.48 to 16.51 mm, compared with baseline rigid-transformation-predicting methods. Using manually identified landmarks, the proposed co-optimisation also shows potentials in compensating nonrigid tissue motion at inference, which is not measurable by tracker-provided ground-truth. The code and data used in this paper are made publicly available at https://github.com/QiLi111/NR-Rec-FUS.
- Abstract（参考訳）: トラッカーを使わずに2Dフリーハンド超音波(US)フレームを3次元空間に再構成する手法は,近年,ディープラーニングの進歩を目にしている。
良好なフレーム・ツー・フレームの剛性変換を予測することは、特に空間追跡装置からの接地トラストラベルが本質的に剛性変換である場合、学習目的としてしばしば受け入れられる。
モチベーション
イ 走査中の軟組織の動きによる観察された非剛性変形、及び
b) 剛性変換の高感度予測について, 非剛性変換予測法とその利点について検討した。
そこで本稿では, トラッカーからの接地構造によって制御されたUSフレーム間の剛性変換を同時に推定する, 正規化された登録ネットワークによって最適化された非剛性変形を同時に最適化するアルゴリズムを提案する。
これらの2つの目的がメタラーニングによって最適化されるか、重み付けによって組み合わせられるかを示す。
高速分散データ補間も開発され、訓練中に非並列USフレームの頻繁な再構築と登録が可能となった。
60の被験者から得られた720のスキャンで357,000フレーム以上を含む新しいデータセットを用いて, より容易に最適化できる解空間が拡張されたことにより, 剛性接地構造に対する変形推定を付加することにより, 一般化が向上することを示した。
世界規模の画素再構成誤差(累積予測を評価する)は、ベースラインの剛性変換予測法と比較して18.48mmから16.51mmに低下する。
手動で識別されたランドマークを用いて、提案した共最適化は、トラッカーによって提供される地上構造によって測定できない非剛性組織の動きを推論時に補償する可能性も示している。
この論文で使用されるコードとデータはhttps://github.com/QiLi111/NR-Rec-FUSで公開されている。
関連論文リスト
- OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。
OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。
最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文 参考訳（メタデータ） (2024-09-14T07:44:22Z) - Improved Cryo-EM Pose Estimation and 3D Classification through Latent-Space Disentanglement [14.973360669658561]
本稿では,自己教師付き変分オートエンコーダアーキテクチャであるHetACUMNを提案する。
シミュレーションデータセットの結果,HetACUMNは,他のアモータイズ法や非アモータイズ法よりも正確なコンフォメーション分類が得られた。
論文 参考訳（メタデータ） (2023-08-09T13:41:30Z) - Trackerless freehand ultrasound with sequence modelling and auxiliary
transformation over past and future frames [15.815449197145382]
トラッカーのない3次元フリーハンド超音波(US)再建は、多くの臨床応用において、その2次元または追跡された超音波よりも有利である。
本稿では、フィードフォワードとリカレントニューラルネットワーク(RNN)を用いて、過去と将来の2次元画像から米国フレーム間の3次元空間変換を推定する。
時間的に利用可能なフレームでは、さらに多タスク学習アルゴリズムが提案され、それらの間に多数の補助的な変換予測タスクが利用できる。
論文 参考訳（メタデータ） (2022-11-09T13:18:35Z) - Rethinking IoU-based Optimization for Single-stage 3D Object Detection [103.83141677242871]
本稿では回転分離型IoU(RDIoU)法を提案する。
我々のRDIoUは、回転変数を独立項として分離することで、回帰パラメータの複雑な相互作用を単純化する。
論文 参考訳（メタデータ） (2022-07-19T15:35:23Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳（メタデータ） (2022-07-06T21:40:59Z) - Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。
本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。
本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
論文 参考訳（メタデータ） (2021-12-14T13:14:24Z) - Out-of-Domain Human Mesh Reconstruction via Dynamic Bilevel Online
Adaptation [87.85851771425325]
我々は、人間のメッシュ再構成モデルをドメイン外ストリーミングビデオに適用する際の新しい問題を考える。
オンライン適応によってこの問題に対処し、テスト中のモデルのバイアスを徐々に修正します。
動的バイレベルオンライン適応アルゴリズム(DynaBOA)を提案する。
論文 参考訳（メタデータ） (2021-11-07T07:23:24Z) - Progressive Coordinate Transforms for Monocular 3D Object Detection [52.00071336733109]
本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
本稿では,学習座標表現を容易にするために,PCT(Em Progressive Coordinate Transforms)と呼ばれる,新しい軽量なアプローチを提案する。
論文 参考訳（メタデータ） (2021-08-12T15:22:33Z) - Neural Deformation Graphs for Globally-consistent Non-rigid
Reconstruction [25.047402917282344]
本研究では,非剛体物体の変形追跡と3次元再構成のためのニューラル変形グラフを提案する。
提案手法は,非剛体移動物体の深度カメラ観測の所定のシーケンス上で,このニューラルグラフを大域的に最適化する。
実験の結果, ニューラルネットワークの変形グラフは, 定性的かつ定量的に, 最先端の非厳密な再構成手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-12-02T19:00:13Z) - Transducer Adaptive Ultrasound Volume Reconstruction [17.19369561039399]
フリーハンド2Dスキャンによる3Dボリューム再構成は、特に外部追跡装置を使わずに、非常に難しい問題である。
近年の深層学習に基づく手法は,連続する超音波フレーム間のフレーム間移動を直接推定する可能性を示している。
本稿では、異なるトランスデューサで取得したデータにディープラーニングアルゴリズムを適用するための新しいドメイン適応手法を提案する。
論文 参考訳（メタデータ） (2020-11-17T04:46:57Z)
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。