論文の概要: Deep-Motion-Net: GNN-based volumetric organ shape reconstruction from single-view 2D projections
- arxiv url: http://arxiv.org/abs/2407.06692v1
- Date: Tue, 9 Jul 2024 09:07:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-10 18:36:32.240514
- Title: Deep-Motion-Net: GNN-based volumetric organ shape reconstruction from single-view 2D projections
- Title(参考訳): Deep-Motion-Net:シングルビュー2次元投影によるGNNを用いた体積臓器形状再構成
- Authors: Isuru Wijesinghe, Michael Nix, Arezoo Zakeri, Alireza Hokmabadi, Bashar Al-Qaisieh, Ali Gooya, Zeike A. Taylor,
- Abstract要約: 放射線治療中に3次元臓器形状を再構成できるエンドツーエンドのグラフニューラルネットワークアーキテクチャを提案する。
提案モデルは、患者固有のテンプレートと、任意の投影角度でkV画像から抽出した深い特徴からメッシュ回帰を学習する。
総合的枠組みは, 合成呼吸運動のシナリオを定量的に検討し, 肝癌患者に対するフルスキャンで得られた内処理画像について質的に検討した。
- 参考スコア(独自算出の注目度): 1.8189671456038365
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We propose Deep-Motion-Net: an end-to-end graph neural network (GNN) architecture that enables 3D (volumetric) organ shape reconstruction from a single in-treatment kV planar X-ray image acquired at any arbitrary projection angle. Estimating and compensating for true anatomical motion during radiotherapy is essential for improving the delivery of planned radiation dose to target volumes while sparing organs-at-risk, and thereby improving the therapeutic ratio. Achieving this using only limited imaging available during irradiation and without the use of surrogate signals or invasive fiducial markers is attractive. The proposed model learns the mesh regression from a patient-specific template and deep features extracted from kV images at arbitrary projection angles. A 2D-CNN encoder extracts image features, and four feature pooling networks fuse these features to the 3D template organ mesh. A ResNet-based graph attention network then deforms the feature-encoded mesh. The model is trained using synthetically generated organ motion instances and corresponding kV images. The latter is generated by deforming a reference CT volume aligned with the template mesh, creating digitally reconstructed radiographs (DRRs) at required projection angles, and DRR-to-kV style transferring with a conditional CycleGAN model. The overall framework was tested quantitatively on synthetic respiratory motion scenarios and qualitatively on in-treatment images acquired over full scan series for liver cancer patients. Overall mean prediction errors for synthetic motion test datasets were 0.16$\pm$0.13 mm, 0.18$\pm$0.19 mm, 0.22$\pm$0.34 mm, and 0.12$\pm$0.11 mm. Mean peak prediction errors were 1.39 mm, 1.99 mm, 3.29 mm, and 1.16 mm.
- Abstract(参考訳): In-treatment kV Planar X-ray image from a single in-treatment kV Planar X-ray image acquired at any arbitrary projection angle。
放射線治療中の真の解剖学的運動を推定・補正することは、臓器のリスクを分散させながら、目標体積への予定放射線線量の増加と治療率の向上に不可欠である。
放射線中、または代理信号や侵襲的画像マーカーを使わずに、限られた画像のみを用いてこれを達成することは、魅力的である。
提案モデルは、患者固有のテンプレートと、任意の投影角度でkV画像から抽出した深い特徴からメッシュ回帰を学習する。
2D-CNNエンコーダは画像の特徴を抽出し、4つの機能プーリングネットワークはこれらの特徴を3Dテンプレートオルガンメッシュに融合させる。
ResNetベースのグラフアテンションネットワークが特徴符号化メッシュを変形する。
このモデルは合成された臓器運動インスタンスと対応するkV画像を用いて訓練される。
後者は、テンプレートメッシュに整列した基準CTボリュームを変形させ、必要な投影角度でデジタル再構成されたラジオグラフ(DRR)を作成し、条件付きCycleGANモデルでDRR-to-kVスタイルの転送を行う。
総合的な枠組みは, 合成呼吸運動のシナリオを定量的に検討し, 肝癌患者に対するフルスキャンで得られた内処理画像について定性的に検討した。
総合的な予測誤差は0.16$\pm$0.13 mm, 0.18$\pm$0.19 mm, 0.22$\pm$0.34 mm, 0.12$\pm$0.11 mmであった。
平均ピーク予測誤差は 1.39 mm, 1.99 mm, 3.29 mm, 1.16 mm であった。
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) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-01T10:10:46Z) - Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。
従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。
これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。
本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - End-to-end Deformable Attention Graph Neural Network for Single-view
Liver Mesh Reconstruction [2.285821277711784]
本稿では,肝臓の三角形形状をリアルタイムに生成する新しいエンド・ツー・エンドアテンショングラフニューラルネットワークモデルを提案する。
提案手法は平均誤差3.06+-0.7mm,チャンファー距離63.14+-27.28。
論文 参考訳(メタデータ) (2023-03-13T19:15:49Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳(メタデータ) (2021-11-24T01:14:33Z) - IGCN: Image-to-graph Convolutional Network for 2D/3D Deformable
Registration [1.2246649738388387]
単一視点2次元投影画像に対する3次元臓器メッシュの変形可能な登録を実現する画像間畳み込みネットワークを提案する。
複数臓器間の関係を考慮に入れた形状予測は, 臨床的に許容できる精度で放射線像からの呼吸運動と変形を予測するのに有用である。
論文 参考訳(メタデータ) (2021-10-31T12:48:37Z) - 3D Reconstruction of Curvilinear Structures with Stereo Matching
DeepConvolutional Neural Networks [52.710012864395246]
本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。
主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
論文 参考訳(メタデータ) (2021-10-14T23:05:47Z) - A Point Cloud Generative Model via Tree-Structured Graph Convolutions
for 3D Brain Shape Reconstruction [31.436531681473753]
センサスキャンなどの物理的手法を用いて,術中3次元形状情報を得ることはほとんど不可能である。
本稿では,1つの2次元画像を用いて脳の3次元点雲(PC)を再構成するGANアーキテクチャを提案する。
論文 参考訳(メタデータ) (2021-07-21T07:57:37Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z) - Robust Self-Supervised Learning of Deterministic Errors in Single-Plane
(Monoplanar) and Dual-Plane (Biplanar) X-ray Fluoroscopy [2.7528170226206443]
ビデオフレームレートでX線像を撮影する蛍光画像は、血管外科医や介入放射線技師によるカテーテル挿入を導くのに有利である。
ダイナミックな動きを非侵襲的に可視化することで、複雑な手術を患者に対してより少ない外傷で行うことができる。
本稿では,単平面および二重平面蛍光法に適した頑健な自己校正アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-03T01:56:21Z)
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。