論文の概要: Automatic Skull Reconstruction by Deep Learnable Symmetry Enforcement

• arxiv url: http://arxiv.org/abs/2411.17342v1
• Date: Tue, 26 Nov 2024 11:35:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:36:20.610096
• Title: Automatic Skull Reconstruction by Deep Learnable Symmetry Enforcement
• Title（参考訳）: Deep Learnable Symmetry Enforcement によるSkullの自動再建
• Authors: Marek Wodzinski, Mateusz Daniol, Daria Hemmerling,
• Abstract要約: 何千人もの人々が頭蓋骨の損傷に苦しんでおり、頭蓋腔を埋めるためにパーソナライズされたインプラントを必要としている。 深層学習に基づく頭蓋再建はいくつかの課題に直面している。 本稿では,これらの課題に対して,学習可能な対称性の強制による再構築を強化することによる,新たなアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.12301374769426145
• License:
• Abstract: Every year, thousands of people suffer from skull damage and require personalized implants to fill the cranial cavity. Unfortunately, the waiting time for reconstruction surgery can extend to several weeks or even months, especially in less developed countries. One factor contributing to the extended waiting period is the intricate process of personalized implant modeling. Currently, the preparation of these implants by experienced biomechanical experts is both costly and time-consuming. Recent advances in artificial intelligence, especially in deep learning, offer promising potential for automating the process. However, deep learning-based cranial reconstruction faces several challenges: (i) the limited size of training datasets, (ii) the high resolution of the volumetric data, and (iii) significant data heterogeneity. In this work, we propose a novel approach to address these challenges by enhancing the reconstruction through learnable symmetry enforcement. We demonstrate that it is possible to train a neural network dedicated to calculating skull symmetry, which can be utilized either as an additional objective function during training or as a post-reconstruction objective during the refinement step. We quantitatively evaluate the proposed method using open SkullBreak and SkullFix datasets, and qualitatively using real clinical cases. The results indicate that the symmetry-preserving reconstruction network achieves considerably better outcomes compared to the baseline (0.94/0.94/1.31 vs 0.84/0.76/2.43 in terms of DSC, bDSC, and HD95). Moreover, the results are comparable to the best-performing methods while requiring significantly fewer computational resources (< 500 vs > 100,000 GPU hours). The proposed method is a considerable contribution to the field of applied artificial intelligence in medicine and is a step toward automatic cranial defect reconstruction in clinical practice.
• Abstract（参考訳）: 毎年何千人もの人々が頭蓋骨の損傷に悩まされ、頭蓋腔を埋めるためにパーソナライズされたインプラントを必要としています。 残念なことに、再建手術の待ち時間は、特に先進国では数週間、あるいは数ヶ月に延びる可能性がある。 待ち時間の延長に寄与する要因の1つは、パーソナライズされたインプラントモデリングの複雑なプロセスである。 現在、経験豊富なバイオメカニクスの専門家によるインプラントの製作には、費用と時間の両方がかかる。 人工知能の最近の進歩、特にディープラーニングは、プロセスの自動化に有望な可能性を秘めている。 しかし、深層学習に基づく頭蓋再建はいくつかの課題に直面している。 (i)訓練データセットのサイズが限られていること。 (ii)ボリュームデータの高解像度化、及び (三)重要なデータ不均一性 本研究では,これらの課題に対処するための新しい手法を提案する。 本研究は, 頭蓋骨対称性の計算専用のニューラルネットワークをトレーニングし, トレーニング中に追加の目的関数として, あるいは改良段階において再建後の目的として利用できることを示した。 オープンSkullBreakとSkullFixのデータセットを用いて提案手法を定量的に評価し,実症例を用いて定性的に評価した。 その結果、対称性保存再構成ネットワークはベースラインに比べてかなり良い結果が得られる(DSC、bDSC、HD95では0.94/0.94/1.31対0.84/0.76/2.43)。 さらに、計算リソースを著しく少なく(500対10000GPU時間)、最高の性能の手法に匹敵する結果となった。 提案手法は医学における応用人工知能の分野への多大な貢献であり,臨床実践における自動頭蓋欠損再建への一歩である。

関連論文リスト

• Improving Deep Learning-based Automatic Cranial Defect Reconstruction by Heavy Data Augmentation: From Image Registration to Latent Diffusion Models [0.2911706166691895]
  この研究は、パーソナライズされた頭蓋インプラントの自動モデリングにおける人工知能の分野に多大な貢献をしている。 重データの増大が定量的および定性的な結果の両方を著しく増加させることを示す。 また, 人工的に拡張したネットワークは, 実際の臨床的欠陥を再構築することに成功した。
  論文  参考訳（メタデータ） (2024-06-10T15:34:23Z)
• Automatic Cranial Defect Reconstruction with Self-Supervised Deep Deformable Masked Autoencoders [0.12301374769426145]
  毎年何千人もの人が頭蓋骨の損傷を負っています。再建手術の前にデザインと製造が必要なパーソナライズされたインプラントが必要です。 この問題は容積形状の完備化として定式化することができ、教師付きイメージセグメンテーション専用のディープニューラルネットワークによって解決される。 本研究では,この問題を解決するために自己教師付きマスク付きオートエンコーダを用いる方法を提案する。
  論文  参考訳（メタデータ） (2024-04-19T14:43:43Z)
• Self-STORM: Deep Unrolled Self-Supervised Learning for Super-Resolution Microscopy [55.2480439325792]
  我々は、シーケンス固有のモデルベースのオートエンコーダをトレーニングすることで、そのようなデータの必要性を軽減する、深層無学習の自己教師付き学習を導入する。 提案手法は, 監視対象の性能を超過する。
  論文  参考訳（メタデータ） (2024-03-25T17:40:32Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
  医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。 様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
  論文  参考訳（メタデータ） (2022-05-19T17:34:18Z)
• Deep Learning-based Framework for Automatic Cranial Defect Reconstruction and Implant Modeling [0.2020478014317493]
  本研究の目的は、頭蓋骨欠損の再建とインプラントのモデリングを行うための、頑健で、高速で、完全に自動化された手法を提案することである。 本稿では,修正U-Netアーキテクチャを用いた2段階の深層学習手法を提案する。 次に, 3Dプリンティングが可能なモデルの自動生成に続いて, インプラント形状を改善するための専用反復手順を提案する。
  論文  参考訳（メタデータ） (2022-04-13T11:33:26Z)
• Back to the Roots: Reconstructing Large and Complex Cranial Defects using an Image-based Statistical Shape Model [0.636460243469043]
  頭蓋骨のセグメンテーションマスクに直接構築された統計的形状モデル(SSM)を示す。 頭蓋骨インプラント設計作業におけるSSMの評価を行った結果,手動による手技の補正のみで,大・複雑欠陥の再構築が可能であることが示唆された。 対照的に、CNNベースのアプローチは、大規模なデータ拡張であっても、これらのケースに対する満足度が低いインプラントを失敗または生成する。
  論文  参考訳（メタデータ） (2022-04-12T10:58:05Z)
• Self Context and Shape Prior for Sensorless Freehand 3D Ultrasound Reconstruction [61.62191904755521]
  3DフリーハンドUSは、幅広い範囲とフリーフォームスキャンを提供することで、この問題に対処することを約束している。 既存のディープラーニングベースの手法は、スキルシーケンスの基本ケースのみに焦点を当てている。 複雑なスキルシーケンスを考慮したセンサレスフリーハンドUS再構成手法を提案する。
  論文  参考訳（メタデータ） (2021-07-31T16:06:50Z)
• Zero-Shot Self-Supervised Learning for MRI Reconstruction [4.542616945567623]
  そこで本研究では,ゼロショット型自己教師型学習手法を提案する。 提案手法は、単一のスキャンから利用可能な測定値を3つの解離集合に分割する。 画像特性の異なるデータベース上に事前学習されたモデルが存在する場合,提案手法は変換学習と組み合わせることで,より高速な収束時間と計算複雑性の低減を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-02-15T18:34:38Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。