論文の概要: Anatomical Positional Embeddings
- arxiv url: http://arxiv.org/abs/2409.10291v1
- Date: Mon, 16 Sep 2024 13:58:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 15:20:32.020391
- Title: Anatomical Positional Embeddings
- Title(参考訳): 解剖学的位置埋め込み
- Authors: Mikhail Goncharov, Valentin Samokhin, Eugenia Soboleva, Roman Sokolov, Boris Shirokikh, Mikhail Belyaev, Anvar Kurmukov, Ivan Oseledets,
- Abstract要約: 本稿では,個々の医用画像ボクセルの3次元解剖学的位置埋め込みを生成する自己教師型モデルを提案する。
APEは、ボクセルの解剖学的近接性、すなわち、同じ臓器または近くの臓器のボクセルをエンコードする。
腹部, 胸部CT画像8400点を対象に, APEモデルを訓練した。
- 参考スコア(独自算出の注目度): 3.9507936573551596
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a self-supervised model producing 3D anatomical positional embeddings (APE) of individual medical image voxels. APE encodes voxels' anatomical closeness, i.e., voxels of the same organ or nearby organs always have closer positional embeddings than the voxels of more distant body parts. In contrast to the existing models of anatomical positional embeddings, our method is able to efficiently produce a map of voxel-wise embeddings for a whole volumetric input image, which makes it an optimal choice for different downstream applications. We train our APE model on 8400 publicly available CT images of abdomen and chest regions. We demonstrate its superior performance compared with the existing models on anatomical landmark retrieval and weakly-supervised few-shot localization of 13 abdominal organs. As a practical application, we show how to cheaply train APE to crop raw CT images to different anatomical regions of interest with 0.99 recall, while reducing the image volume by 10-100 times. The code and the pre-trained APE model are available at https://github.com/mishgon/ape .
- Abstract(参考訳): 本稿では,個々の医用画像ボクセルの3次元解剖学的位置埋め込み(APE)を作成する自己教師型モデルを提案する。
APEは、ボクセルの解剖学的近接性、すなわち、同じ臓器または近くの臓器のボクセルをエンコードする。
従来の解剖学的位置埋め込みモデルとは対照的に,本手法では,体積入力画像全体のボクセル単位の埋め込みマップを効率よく作成できるため,異なる下流アプリケーションに最適である。
腹部, 胸部CT画像8400点を対象に, APEモデルを訓練した。
従来の解剖学的ランドマーク検索モデルと比較し,13の腹部臓器の軽微な局所化について検討した。
実用的応用として,APEを安価に訓練し,0.99リコールで異なる解剖学的領域に原像を収穫する方法を示すとともに,画像量を10~100倍に削減する方法を示す。
コードと事前トレーニングされた APE モデルは https://github.com/mishgon/ape で公開されている。
関連論文リスト
- LOOC: Localizing Organs using Occupancy Networks and Body Surface Depth Images [2.104687387907779]
本研究では, 人体外から採取した単一深度画像から, 67の解剖学的構造を正確に位置決めするために, 占有ネットワークを用いた新しい手法を提案する。
本研究の貢献は,隠蔽構造定位のための占有ネットワークの適用,奥行き画像から解剖学的位置を推定する堅牢な手法,詳細な3次元解剖学的アトラスの作成等である。
論文 参考訳(メタデータ) (2024-06-18T08:57:36Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2024-03-19T09:28:19Z) - Anatomically-Controllable Medical Image Generation with Segmentation-Guided Diffusion Models [11.835841459200632]
解剖学的に制御可能な医用画像生成を支援する拡散モデルに基づく手法を提案する。
また, ランダムマスクアブレーショントレーニングアルゴリズムを導入し, 解剖学的制約の組合せの条件付けを可能にする。
SegGuidedDiffは、生成した画像の忠実さを新たな最先端に到達して、解剖学的マスクを入力します。
論文 参考訳(メタデータ) (2024-02-07T19:35:09Z) - 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) - 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) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - BOSS: Bones, Organs and Skin Shape Model [10.50175010474078]
我々は,CT画像から学習した皮膚,内臓,骨を結合した変形可能な人体形状とポーズモデルを提案する。
確率的PCAを用いて、ポーズ正規化空間の統計的変動をモデル化することにより、本手法は身体の全体像を提供する。
論文 参考訳(メタデータ) (2023-03-08T22:31:24Z) - Med-Query: Steerable Parsing of 9-DoF Medical Anatomies with Query
Embedding [15.98677736544302]
本稿では,3次元医療データ中の解剖の検出,識別,セグメンテーションを行うための,安定かつ堅牢で効率的な計算フレームワークを提案する。
解剖学の複雑な形状、大きさ、配向を考えると、9自由度(9-DoF)のポーズ推定解をフル3次元空間で提示する。
胸骨, 脊椎, 腹部臓器の3つの画像解析課題について, 提案手法の有効性を検証した。
論文 参考訳(メタデータ) (2022-12-05T04:04:21Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - Body Part Regression for CT Images [0.0]
CTボリュームの自己教師付き身体部分回帰モデルを開発し、異種CT研究の収集に基づいて訓練した。
本研究は, このアルゴリズムが医療モデルの医院への堅牢かつ信頼性の高い移行にどのように貢献するかを示す。
論文 参考訳(メタデータ) (2021-10-18T10:03:42Z) - 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。
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。