論文の概要: Salient Region Matching for Fully Automated MR-TRUS Registration
- arxiv url: http://arxiv.org/abs/2501.03510v1
- Date: Tue, 07 Jan 2025 04:06:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-08 15:46:52.947306
- Title: Salient Region Matching for Fully Automated MR-TRUS Registration
- Title（参考訳）: 完全自動MR-TRUS登録のための完全領域マッチング
- Authors: Zetian Feng, Dong Ni, Yi Wang,
- Abstract要約: 本稿では,完全自動MR-TRUS登録のための領域マッチングフレームワークを提案する。
このフレームワークは、前立腺のセグメンテーション、剛性アライメント、変形可能な登録で構成されている。
提案手法は,いくつかの最先端手法に優れ,良好な登録結果が得られる。
- 参考スコア（独自算出の注目度）: 6.109685391854755
- License:
- Abstract: Prostate cancer is a leading cause of cancer-related mortality in men. The registration of magnetic resonance (MR) and transrectal ultrasound (TRUS) can provide guidance for the targeted biopsy of prostate cancer. In this study, we propose a salient region matching framework for fully automated MR-TRUS registration. The framework consists of prostate segmentation, rigid alignment and deformable registration. Prostate segmentation is performed using two segmentation networks on MR and TRUS respectively, and the predicted salient regions are used for the rigid alignment. The rigidly-aligned MR and TRUS images serve as initialization for the deformable registration. The deformable registration network has a dual-stream encoder with cross-modal spatial attention modules to facilitate multi-modality feature learning, and a salient region matching loss to consider both structure and intensity similarity within the prostate region. Experiments on a public MR-TRUS dataset demonstrate that our method achieves satisfactory registration results, outperforming several cutting-edge methods. The code is publicly available at https://github.com/mock1ngbrd/salient-region-matching.
- Abstract（参考訳）: 前立腺がんは、男性のがん関連死亡の主な原因である。
磁気共鳴(MR)と経直腸超音波(TRUS)の登録は前立腺癌の標的生検の指針となる。
本研究では,完全自動MR-TRUS登録のための領域マッチングフレームワークを提案する。
このフレームワークは、前立腺のセグメンテーション、剛性アライメント、変形可能な登録で構成されている。
MRとTRUSの2つのセグメンテーションネットワークを用いて前立腺セグメンテーションを行い、予測された塩分領域を剛性アライメントに使用する。
厳密に整列されたMR画像とTRUS画像は、変形可能な登録の初期化として機能する。
変形可能な登録ネットワークは、多モード特徴学習を容易にするクロスモーダル空間アテンションモジュールを備えたデュアルストリームエンコーダと、前立腺領域内の構造と強度の類似性の両方を考慮するために、損失に一致するサリアント領域とを有する。
公開MR-TRUSデータセットを用いた実験により,提案手法は良好な登録結果が得られ,いくつかの最先端手法よりも優れた結果が得られた。
コードはhttps://github.com/mock1ngbrd/salient-rea-matchingで公開されている。
関連論文リスト
- 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) - Towards Multi-modality Fusion and Prototype-based Feature Refinement for Clinically Significant Prostate Cancer Classification in Transrectal Ultrasound [4.662744612095781]
臨床的に有意な前立腺癌(csPCa)分類のための多モードTRUSを用いた新しい学習フレームワークを提案する。
提案フレームワークは,Bモードとせん断波エラストグラフィ(SWE)から特徴を抽出するために,2つの別々の3D ResNet-50を用いている。
このフレームワークの性能は512のTRUSビデオと生検で得られた前立腺癌からなる大規模データセットで評価される。
論文 参考訳（メタデータ） (2024-06-20T07:45:01Z) - Multi-modality transrectal ultrasound video classification for
identification of clinically significant prostate cancer [4.896561300855359]
臨床的に重要な前立腺癌(csPCa)のマルチモーダルTRUSビデオから分類するための枠組みを提案する。
提案するフレームワークは,512本のTRUSビデオを含む社内データセットを用いて評価する。
論文 参考訳（メタデータ） (2024-02-14T07:06:30Z) - PI-RADS v2 Compliant Automated Segmentation of Prostate Zones Using
co-training Motivated Multi-task Dual-Path CNN [0.1074267520911262]
MRIによる詳細な画像は、前立腺癌の診断と治療のための生命クリティカルな情報を提供する。
PI-RADS v2ガイドラインは、複雑なMRI画像の標準化された取得、解釈、使用を提供するために提案された。
ガイドラインに従う自動セグメンテーションは、一貫性と正確な病変の検出、ステージング、および治療を容易にする。
論文 参考訳（メタデータ） (2023-09-22T16:10:21Z) - Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。
アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
論文 参考訳（メタデータ） (2023-07-07T18:57:21Z) - GSMorph: Gradient Surgery for cine-MRI Cardiac Deformable Registration [62.41725951450803]
学習に基づく変形可能な登録は、フィールドの登録精度と滑らかさをトレードオフする重み付けされた目的関数に依存する。
我々は,GSMorphと呼ばれる勾配手術機構に基づく登録モデルを構築し,複数の損失に対してパラメータフリーな高バランスを実現する。
提案手法はモデルに依存しないため,パラメータの追加や推論の遅延を伴わずに,任意のディープ登録ネットワークにマージすることができる。
論文 参考訳（メタデータ） (2023-06-26T13:32:09Z) - Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。
これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文 参考訳（メタデータ） (2023-02-05T02:41:46Z) - Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian
Shape Framework [65.19784967388934]
RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。
本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。
実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
論文 参考訳（メタデータ） (2022-06-30T13:04:42Z) - CAT-Net: A Cross-Slice Attention Transformer Model for Prostate Zonal
Segmentation in MRI [7.773931185385572]
本稿では,トランスフォーマーモジュールを用いて,異なるスケールでクロススライス関係を体系的に学習する,新しいクロススライスアテンション機構を提案する。
実験により, 前立腺領域分割におけるクロススライス情報の収集が可能であることが確認された。
論文 参考訳（メタデータ） (2022-03-29T00:50:54Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Anatomy-guided Multimodal Registration by Learning Segmentation without
Ground Truth: Application to Intraprocedural CBCT/MR Liver Segmentation and
Registration [12.861503169117208]
マルチモーダル画像登録は、診断医療画像と画像誘導介入に多くの応用がある。
周術期獲得診断画像を周術期内環境に登録する能力は、周術期内腫瘍ターゲティングを改善する可能性がある。
対象のモダリティ基礎真理を含まないセグメンテーション学習のためのセグメンテーションネットワーク(APA2Seg-Net)に対する解剖学的保護ドメイン適応を提案する。
論文 参考訳（メタデータ） (2021-04-14T18:07:03Z)
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。