論文の概要: SG-LRA: Self-Generating Automatic Scoliosis Cobb Angle Measurement with Low-Rank Approximation

• arxiv url: http://arxiv.org/abs/2411.12604v1
• Date: Tue, 19 Nov 2024 16:07:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:36:28.574780
• Title: SG-LRA: Self-Generating Automatic Scoliosis Cobb Angle Measurement with Low-Rank Approximation
• Title（参考訳）: SG-LRA:低ランク近似を用いた自己生成型スコリシスコブ角測定
• Authors: Zhiwen Shao, Yichen Yuan, Lizhuang Ma, Dit-Yan Yeung, Xiaojia Zhu,
• Abstract要約: 自動コブ角測定のための自己生成パイプラインと低ランク近似表現(SG-LRA)を含むフレームワークを提案する。 具体的には, 固有-スピン分解とスピン輪郭再構成が可能なLRAに基づくパラメータ化されたスピン輪郭表現を提案する。 当社のデータエンジンでは、プライバシリークを伴わずに、Spinal-AI2024という名前の最大のスコリシスX線データセットを生成しました。
• 参考スコア（独自算出の注目度）: 38.35450156563293
• License:
• Abstract: Automatic Cobb angle measurement from X-ray images is crucial for scoliosis screening and diagnosis. However, most existing regression-based methods and segmentation-based methods struggle with inaccurate spine representations or mask connectivity/fragmentation issues. Besides, landmark-based methods suffer from insufficient training data and annotations. To address these challenges, we propose a novel framework including Self-Generation pipeline and Low-Rank Approximation representation (SG-LRA) for automatic Cobb angle measurement. Specifically, we propose a parameterized spine contour representation based on LRA, which enables eigen-spine decomposition and spine contour reconstruction. We can directly obtain spine contour with only regressed LRA coefficients, which form a more accurate spine representation than rectangular boxes. Also, we combine LRA coefficient regression with anchor box classification to solve inaccurate predictions and mask connectivity issues. Moreover, we develop a data engine with automatic annotation and automatic selection in an iterative manner, which is trained on a private Spinal2023 dataset. With our data engine, we generate the largest scoliosis X-ray dataset named Spinal-AI2024 largely without privacy leaks. Extensive experiments on public AASCE2019, private Spinal2023, and generated Spinal-AI2024 datasets demonstrate that our method achieves state-of-the-art Cobb angle measurement performance. Our code and Spinal-AI2024 dataset are available at https://github.com/Ernestchenchen/SG-LRA and https://github.com/Ernestchenchen/Spinal-AI2024, respectively.
• Abstract（参考訳）: X線画像からのコブ角の自動計測は, 側頭葉のスクリーニングと診断に不可欠である。 しかし、既存の回帰に基づく手法やセグメンテーションに基づく手法は、不正確なスピン表現やマスク接続/フラグメンテーションの問題に悩まされている。 さらにランドマークベースの手法では、トレーニングデータやアノテーションが不足している。 これらの課題に対処するために、自動コブ角測定のための自己生成パイプラインと低ランク近似表現(SG-LRA)を含む新しいフレームワークを提案する。 具体的には, 固有-スピン分解とスピン輪郭再構成が可能なLRAに基づくパラメータ化されたスピン輪郭表現を提案する。 我々は、正方形箱よりも正確なスピン表現を形成するLRA係数のみを回帰したスピン輪郭を直接得ることができる。 また,LRA係数の回帰とアンカーボックス分類を組み合わせることで,不正確な予測とマスク接続問題を解決する。 さらに,プライベートなSpinal2023データセットに基づいて,自動アノテーションと自動選択を反復的に行うデータエンジンを開発した。 当社のデータエンジンでは、プライバシリークを伴わずに、Spinal-AI2024という名前の最大のスコリシスX線データセットを生成しました。 パブリックAASCE2019,プライベートSpinal2023,および生成したSpinal-AI2024データセットに関する大規模な実験により,我々の手法が最先端のCobb角測定性能を達成することを示す。 私たちのコードとSpinal-AI2024データセットは、https://github.com/Ernestchenchen/SG-LRAとhttps://github.com/Ernestchenchen/Spinal-AI2024でそれぞれ利用可能です。

関連論文リスト

• SpineFM: Leveraging Foundation Models for Automatic Spine X-ray Segmentation [0.0]
  本稿では,脊椎の自動分割と同定における最先端性能を実現する新しいパイプラインであるSpineFMを紹介する。 椎骨の97.8%と99.6%の同定に成功した2つの公開X線データセットにおいて、優れた結果を得た。
  論文  参考訳（メタデータ） (2024-11-01T02:51:21Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
  変性性脊椎疾患は高齢者に多い。 骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。 本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
  論文  参考訳（メタデータ） (2023-12-08T18:11:22Z)
• B-Spine: Learning B-Spline Curve Representation for Robust and Interpretable Spinal Curvature Estimation [50.208310028625284]
  脊椎のB-スプライン曲線表現を学習するための新しいディープラーニングパイプラインであるB-Spineを提案する。 低画質X線画像から脊髄曲率推定のためのコブ角度を推定する。
  論文  参考訳（メタデータ） (2023-10-14T15:34:57Z)
• MMA-Net: Multiple Morphology-Aware Network for Automated Cobb Angle Measurement [6.8243631770391735]
  本稿では,複数の脊椎形態を注目情報として統合することにより,コブ角測定精度を向上させる新しいフレームワークを提案する。 AASCEチャレンジデータセットを用いて本手法の評価を行い,SMAPEの7.28%,MAEの3.18degで優れた性能を示した。
  論文  参考訳（メタデータ） (2023-09-25T01:56:53Z)
• Development of Machine learning algorithms to identify the Cobb angle in adolescents with idiopathic scoliosis based on lumbosacral joint efforts during gait (Case study) [1.1199585259018454]
  本研究の目的は、自動放射線フリーモデルを開発することにより、コブ角を同定することである。 放射能のないデータとしての歩行中の腰仙関節は、コブ角を識別することができる。
  論文  参考訳（メタデータ） (2023-01-29T23:58:16Z)
• Direct Estimation of Spinal Cobb Angles by Structured Multi-Output Regression [42.67503464183464]
  脊髄湾曲率を定量的に評価するコブ角度は、脊柱側膜症の診断および治療において重要な役割を果たします。 脊髄X線からのCobb角の推定を多出力回帰タスクとして定式化する。 本手法は, 高い精度で cobb 角度の直接推定が可能であり, 臨床応用の可能性も示唆する。
  論文  参考訳（メタデータ） (2020-12-23T12:33:46Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)
• Vertebra-Focused Landmark Detection for Scoliosis Assessment [54.24477530836629]
  脊椎に焦点をあてた新しいランドマーク検出法を提案する。 我々のモデルはまず椎骨中心を局在させ、そこから学習されたコーナーオフセットを通して椎骨の4つの角のランドマークを辿る。 その結果,低コントラストおよび無明度X線画像におけるコブ角測定とランドマーク検出の両面での有用性が示された。
  論文  参考訳（メタデータ） (2020-01-09T19:17:41Z)

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。