Fugu-MT 論文翻訳(概要): Separation of Body and Background in Radiological Images. A Practical Python Code

論文の概要: Separation of Body and Background in Radiological Images. A Practical Python Code

arxiv url: http://arxiv.org/abs/2409.00442v1
Date: Sat, 31 Aug 2024 12:30:52 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 14:49:38.607645
Title: Separation of Body and Background in Radiological Images. A Practical Python Code
Title（参考訳）: 無線画像における身体と背景の分離 : 実用的なPythonコード
Authors: Seyedeh Fahimeh Hosseini, Faezeh Shalbafzadeh, Behzad Amanpour-Gharaei,
Abstract要約: 2次元および3次元の放射線画像において,身体と背景領域を分離するように設計されたPythonコードを提案する。脳,頸部,腹部の様々な部位のMRIおよびCT画像を用いて,このアルゴリズムを検証した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Radiological images, such as magnetic resonance imaging (MRI) and computed tomography (CT) images, typically consist of a body part and a dark background. For many analyses, it is necessary to separate the body part region from the background. In this article, we present a Python code designed to separate body and background regions in 2D and 3D radiological images. We tested the algorithm on various MRI and CT images of different body parts, including the brain, neck, and abdominal regions. Additionally, we introduced a method for intensity normalization and outlier restriction, adjusted for data conversion into 8-bit unsigned integer (UINT8) format, and examined its effects on body-background separation. Our Python code is available for use with proper citation.
Abstract（参考訳）: MRI(MRI)やCT(CT)画像などの放射線画像は、典型的には身体部分と暗黒背景から構成される。多くの分析では、身体部分領域を背景領域から分離する必要がある。本稿では,2次元および3次元の放射線画像において,身体領域と背景領域を分離するように設計されたPythonコードについて述べる。脳,頸部,腹部の様々な部位のMRIおよびCT画像を用いて,このアルゴリズムを検証した。さらに、8ビット符号なし整数 (UINT8) フォーマットへのデータ変換のために調整された強度正規化法と外周制限法を導入し、その体-裏面分離への影響を検討した。私たちのPythonコードは、適切な引用で使用できます。

関連論文リスト

CT-GLIP: 3D Grounded Language-Image Pretraining with CT Scans and Radiology Reports for Full-Body Scenarios [53.94122089629544]
我々は,CT-GLIP(Grounded Language- Image Pretraining with CT scans)を導入する。本手法は,104臓器にわたる17,702症例を対象に,44,011例の臓器レベルの視覚テキストペアからなるマルチモーダルCTデータセットを用いて訓練し,自然言語を用いて臓器と異常をゼロショットで識別できることを実証した。
論文参考訳（メタデータ） (2024-04-23T17:59:01Z)
Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-07-31T17:59:42Z)
Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。本手法は,多視点グローバル情報を自然に学習することができる。
論文参考訳（メタデータ） (2023-07-24T14:43:07Z)
Transformers for CT Reconstruction From Monoplanar and Biplanar Radiographs [0.11219061154635457]
両平面X線のみからのCT画像再構成の問題に対処する。 X線は広く利用されており、もしこれらのX線写真から再構成されたCTが、診断における完全なCTの代替ではないとしても、患者が放射線を免れるのに役立つかもしれない。本稿では,言語翻訳問題として基礎となるタスクをフレーミングすることで,トランスフォーマーアーキテクチャに基づく新しい手法を提案する。
論文参考訳（メタデータ） (2023-05-11T16:43:39Z)
Masked Sinogram Model with Transformer for ill-Posed Computed Tomography Reconstruction: a Preliminary Study [0.9023847175654602]
自然言語処理におけるトランスフォーマーの成功に触発されて,この研究の中心となる考え方は,トモグラフィーの投影を単語トークンとして考えることである。我々は、CT再構成を含む下流の様々なアプリケーションに対して、マスク付きシノグラムモデル(MSM)とファインチューンMSMをトレーニングすることで、基礎モデルのアイデアを探求する。
論文参考訳（メタデータ） (2022-09-03T08:00:04Z)
Recovering medical images from CT film photos [20.57188970071559]
我々は,広く使用されているコンピュータグラフィックスソフトウェアであるBlenderを用いて,約20,000枚の画像からなる大規模頭部CTフィルムデータベースCTFilm20Kを構築した。 textbfFilm textbfImage textbfRecovery textbfNetwork という深層フレームワークを提案する。本研究では,デワープ画像からDICOMファイルへの変換をカスケードモデルで行うことにより,ラジオミクスの特徴抽出などのさらなる解析を行う。
論文参考訳（メタデータ） (2022-03-10T03:36:17Z)
CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文参考訳（メタデータ） (2021-11-16T15:03:42Z)
Evaluation of Preprocessing Techniques for U-Net Based Automated Liver Segmentation [0.0]
本研究は,Hounsfield Unit (HU) ウィンドウリング,コントラスト限定適応ヒストグラム等化,zスコア正規化,中央フィルタリング,Block-Matching and 3D (BM3D) フィルタリングに焦点を当てた。その結果,hu-windowing,centralral filter,z-score正規化の3つの手法を組み合わせると,ディス係数96.93%,90.77%,90.84%の最適性能が得られることがわかった。
論文参考訳（メタデータ） (2021-03-26T07:31:25Z)
XraySyn: Realistic View Synthesis From a Single Radiograph Through CT Priors [118.27130593216096]
放射線写真は、X線を用いて患者の内部解剖を視覚化し、3D情報を2次元平面に投影する。私たちの知る限りでは、ラジオグラフィビューの合成に関する最初の研究である。本手法は,3次元空間におけるX線撮影の理解を得ることにより,地中骨ラベルを使わずに,X線撮影による骨抽出と骨抑制に応用できることが示唆された。
論文参考訳（メタデータ） (2020-12-04T05:08:53Z)
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)

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。