論文の概要: Deep Learning-based 3D Coronary Tree Reconstruction from Two 2D Non-simultaneous X-ray Angiography Projections
- arxiv url: http://arxiv.org/abs/2407.14616v1
- Date: Fri, 19 Jul 2024 18:18:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-23 21:43:34.174346
- Title: Deep Learning-based 3D Coronary Tree Reconstruction from Two 2D Non-simultaneous X-ray Angiography Projections
- Title(参考訳): 深層学習による2次元非同時X線アンギオグラフィー投影による3次元冠状動脈再建
- Authors: Yiying Wang, Abhirup Banerjee, Robin P. Choudhury, Vicente Grau,
- Abstract要約: 心臓血管疾患(CVD)は、世界中で最も多い死因である。
CVDの診断において,侵襲的X線冠動脈造影(ICA)は最も重要な画像モダリティの1つである。
ICAは一般的に2Dプロジェクションしか取得しないため、冠動脈の3D形状は解釈が困難である。
本研究では,非定常投射間における非剛性心・呼吸運動の補正のための新しい深層学習パイプラインを提案する。
- 参考スコア(独自算出の注目度): 1.9929038355503754
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiovascular diseases (CVDs) are the most common cause of death worldwide. Invasive x-ray coronary angiography (ICA) is one of the most important imaging modalities for the diagnosis of CVDs. ICA typically acquires only two 2D projections, which makes the 3D geometry of coronary vessels difficult to interpret, thus requiring 3D coronary tree reconstruction from two projections. State-of-the-art approaches require significant manual interactions and cannot correct the non-rigid cardiac and respiratory motions between non-simultaneous projections. In this study, we propose a novel deep learning pipeline. We leverage the Wasserstein conditional generative adversarial network with gradient penalty, latent convolutional transformer layers, and a dynamic snake convolutional critic to implicitly compensate for the non-rigid motion and provide 3D coronary tree reconstruction. Through simulating projections from coronary computed tomography angiography (CCTA), we achieve the generalisation of 3D coronary tree reconstruction on real non-simultaneous ICA projections. We incorporate an application-specific evaluation metric to validate our proposed model on both a CCTA dataset and a real ICA dataset, together with Chamfer L1 distance. The results demonstrate the good performance of our model in vessel topology preservation, recovery of missing features, and generalisation ability to real ICA data. To the best of our knowledge, this is the first study that leverages deep learning to achieve 3D coronary tree reconstruction from two real non-simultaneous x-ray angiography projections.
- Abstract(参考訳): 心臓血管疾患(CVD)は、世界中で最も多い死因である。
CVDの診断において,侵襲的X線冠動脈造影(ICA)は最も重要な画像モダリティの1つである。
ICAは一般的に2Dプロジェクションしか取得しないため、冠動脈の3D幾何学は解釈が困難であり、2つのプロジェクションから3Dの冠状樹を再構築する必要がある。
最先端のアプローチでは、重要な手動の相互作用が必要であり、非同時投射間の非剛性心臓と呼吸の動きを補正することはできない。
本研究では,新しいディープラーニングパイプラインを提案する。
我々は,非剛性運動を暗黙的に補償するために,勾配ペナルティ,潜伏畳み込みトランスフォーマー層,ダイナミックヘビ畳み込み批判を施したWasserstein条件生成対向ネットワークを利用する。
冠動脈造影CT (CCTA) からの投影を模擬し, 実非同時ICA投影による3次元冠状動脈再建の一般化を実現した。
CCTAデータセットと実ICAデータセットの両方で提案したモデルを,Chamfer L1距離とともに検証するために,アプリケーション固有の評価指標を組み込んだ。
その結果, 血管のトポロジー保存, 特徴の回復, ICAデータ生成の一般化能力において, 本モデルの有効性が示された。
我々の知る限りでは、この研究は、深層学習を活用して2つの実際の非同時X線血管造影法による3次元冠状動脈再建を実現する最初の研究である。
関連論文リスト
- Structure-aware World Model for Probe Guidance via Large-scale Self-supervised Pre-train [66.35766658717205]
心エコー法を成功させるには、二次元平面上の構造と三次元空間における平面間の空間的関係を徹底的に理解する必要がある。
心構造を意識した世界モデルを取得するための,大規模自己指導型事前学習手法を提案する。
論文 参考訳(メタデータ) (2024-06-28T08:54:44Z) - 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。
スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。
本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
論文 参考訳(メタデータ) (2024-05-17T11:23:33Z) - A 3D deep learning classifier and its explainability when assessing
coronary artery disease [2.854890811393726]
提案手法は2次元Resnet-50モデルよりも23.65%優れていた。
本稿では,3次元CAD分類を2次元のセマンティックセマンティックセマンティックセグメンテーションにリンクし,説明可能性の向上と正確な異常位置推定を行う。
論文 参考訳(メタデータ) (2023-07-29T14:54:50Z) - Multi-class point cloud completion networks for 3D cardiac anatomy
reconstruction from cine magnetic resonance images [4.1448595037512925]
マルチクラスの心臓解剖学的メッシュを再構築できる新しい完全自動表面再構成パイプラインを提案する。
その鍵となるコンポーネントは、マルチクラスポイントクラウド補完ネットワーク(PCCN)である。
論文 参考訳(メタデータ) (2023-07-17T14:52:52Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳(メタデータ) (2023-05-27T03:55:19Z) - 3D Coronary Vessel Reconstruction from Bi-Plane Angiography using Graph
Convolutional Networks [1.8244763402770727]
3DAngioNetは、2つのビューから2D XCA画像を使用して高速な3Dコンテナメッシュ再構築を可能にする、新しいディープラーニング(DL)システムである。
提案手法は,効率的なB3-UNetセグメンテーションネットワークとプロジェクションジオメトリを用いて粗いメッシュテンプレートを学習し,グラフ畳み込みネットワークを用いて変形する。
論文 参考訳(メタデータ) (2023-02-28T17:46:25Z) - Efficient Pix2Vox++ for 3D Cardiac Reconstruction from 2D echo views [0.6524460254566904]
3Dで心臓解剖を再構築することで、新しいバイオマーカーの発見が可能になる。
ほとんどの超音波システムは2Dイメージング機能しか持たない。
本稿では,2次元標準心磁図から3次元解剖の再構築を行うパイプラインを提案する。
論文 参考訳(メタデータ) (2022-07-27T10:05:46Z) - Enforcing connectivity of 3D linear structures using their 2D
projections [54.0598511446694]
本稿では,2次元投影におけるトポロジ認識損失の総和を最小化することにより,結果の3次元接続性を改善することを提案する。
これにより、精度の向上と、アノテーション付きトレーニングデータの提供に必要なアノテーションの労力の削減が図られる。
論文 参考訳(メタデータ) (2022-07-14T11:42:18Z) - Tattoo tomography: Freehand 3D photoacoustic image reconstruction with
an optical pattern [49.240017254888336]
光音響トモグラフィ(PAT)は、形態学的および機能的組織特性の両方を解決することができる新しいイメージング技術である。
現在の欠点は、従来の2Dプローブによって提供される視野の制限である。
本研究では,外部追跡システムを必要としないPATデータの3次元再構成手法を提案する。
論文 参考訳(メタデータ) (2020-11-10T09:27:56Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳(メタデータ) (2020-08-22T07:48:04Z) - Weakly-supervised 3D coronary artery reconstruction from two-view
angiographic images [4.722039838364292]
本稿では,3次元冠状動脈モデル構築のための対角的および生成的手法を提案する。
3D完全教師付き学習法と2D弱教師付き学習法により,最先端技術を上回る再現精度を得た。
論文 参考訳(メタデータ) (2020-03-26T11:41:38Z)
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。