論文の概要: A Vessel Bifurcation Landmark Pair Dataset for Abdominal CT Deformable Image Registration (DIR) Validation

• arxiv url: http://arxiv.org/abs/2501.09162v1
• Date: Wed, 15 Jan 2025 21:28:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-17 15:09:30.992571
• Title: A Vessel Bifurcation Landmark Pair Dataset for Abdominal CT Deformable Image Registration (DIR) Validation
• Title（参考訳）: 腹部CT画像登録(DIR)のための血管分岐型ランドマークペアデータセット
• Authors: Edward R Criscuolo, Yao Hao, Zhendong Zhang, Trevor McKeown, Deshan Yang,
• Abstract要約: 変形可能な画像登録(DIR)は多くの診断および治療タスクにおいて実現可能な技術である。 このデータセットは腹部DIR検証のための第一種である。 ランドマークペアの数、精度、分布により、現在利用可能なもの以上の精度でDIRアルゴリズムの堅牢な検証が可能になる。
• 参考スコア（独自算出の注目度）: 1.906989881803579
• License:
• Abstract: Deformable image registration (DIR) is an enabling technology in many diagnostic and therapeutic tasks. Despite this, DIR algorithms have limited clinical use, largely due to a lack of benchmark datasets for quality assurance during development. To support future algorithm development, here we introduce our first-of-its-kind abdominal CT DIR benchmark dataset, comprising large numbers of highly accurate landmark pairs on matching blood vessel bifurcations. Abdominal CT image pairs of 30 patients were acquired from several public repositories as well as the authors' institution with IRB approval. The two CTs of each pair were originally acquired for the same patient on different days. An image processing workflow was developed and applied to each image pair: 1) Abdominal organs were segmented with a deep learning model, and image intensity within organ masks was overwritten. 2) Matching image patches were manually identified between two CTs of each image pair 3) Vessel bifurcation landmarks were labeled on one image of each image patch pair. 4) Image patches were deformably registered, and landmarks were projected onto the second image. 5) Landmark pair locations were refined manually or with an automated process. This workflow resulted in 1895 total landmark pairs, or 63 per case on average. Estimates of the landmark pair accuracy using digital phantoms were 0.7+/-1.2mm. The data is published in Zenodo at https://doi.org/10.5281/zenodo.14362785. Instructions for use can be found at https://github.com/deshanyang/Abdominal-DIR-QA. This dataset is a first-of-its-kind for abdominal DIR validation. The number, accuracy, and distribution of landmark pairs will allow for robust validation of DIR algorithms with precision beyond what is currently available.
• Abstract（参考訳）: 変形可能な画像登録(DIR)は多くの診断および治療タスクにおいて実現可能な技術である。 しかし、DIRアルゴリズムは、開発期間中の品質保証のためのベンチマークデータセットが不足しているため、臨床利用が限られている。 将来的なアルゴリズム開発を支援するため,本研究では,血管分岐に適合する多数の高精度なランドマークペアからなる腹部CT DIRベンチマークデータセットについて紹介する。 腹部CT像は, 数例の公立リポジトリ, 著者のIRB承認機関から取得した。 それぞれの2つのCTは、元々は異なる日に同じ患者のために取得されました。 画像処理ワークフローを開発し,各画像対に適用した。 1) 腹部臓器を深層学習モデルで分類し, 臓器マスク内の画像強度を上書きした。 2) マッチング画像パッチは各画像対の2つのCT間で手動で識別される。 3)各画像パッチペアの1つの画像に容器分岐ランドマークをラベル付けした。 4) 画像パッチは変形的に登録され, 2番目の画像にランドマークが投影された。 5)ランドマークペアの場所は手動または自動処理で精製された。 このワークフローの結果、1895年の総ランドマークペア(平均63件)が得られた。 デジタルファントムを用いたランドマークペアの精度の推定は0.7+/-1.2mmであった。 データはZenodoでhttps://doi.org/10.5281/zenodo.14362785で公開されている。 使用指示はhttps://github.com/deshanyang/Abdominal-DIR-QA.comで見ることができる。 このデータセットは腹部DIR検証のための第一種である。 ランドマークペアの数、精度、分布により、現在利用可能なもの以上の精度でDIRアルゴリズムの堅牢な検証が可能になる。

関連論文リスト

• RetinaRegNet: A Zero-Shot Approach for Retinal Image Registration [10.430563602981705]
  RetinaRegNetは、最小のオーバーラップ、大きな変形、さまざまな画質で網膜画像を登録するために設計されたゼロショット登録モデルである。 大規模な変形を処理するための2段階の登録フレームワークを実装した。 私たちのモデルは、すべてのデータセットで常に最先端のメソッドより優れています。
  論文  参考訳（メタデータ） (2024-04-24T17:50:37Z)
• Denoising diffusion-based MRI to CT image translation enables automated spinal segmentation [8.094450260464354]
  本研究は,T1wとT2wのMR画像系列をCT/MRの合計263対のCT画像に変換することを含む。 椎骨登録1回あたりの2つのランドマークは、MRIからCTへの画像と画像の変換を可能にし、すべての未経験のアプローチより優れていた。
  論文  参考訳（メタデータ） (2023-08-18T07:07:15Z)
• 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)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Revisiting Consistency Regularization for Semi-supervised Change Detection in Remote Sensing Images [60.89777029184023]
  教師付きクロスエントロピー(CE)損失に加えて、教師なしCD損失を定式化する半教師付きCDモデルを提案する。 2つの公開CDデータセットを用いて実験を行った結果,提案手法は教師付きCDの性能に近づきやすいことがわかった。
  論文  参考訳（メタデータ） (2022-04-18T17:59:01Z)
• Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain Feature Maps Consistency [0.06117371161379209]
  本研究は,スムーズで訓練し,鋭い再構築カーネル上で試験したモデルにおいて,新型コロナウイルスのセグメンテーション品質の低下を示すものである。 本稿では,F-Consistency(F-Consistency)と呼ばれる,教師なし適応手法を提案する。
  論文  参考訳（メタデータ） (2022-03-28T10:00:03Z)
• 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)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• A Weakly Supervised Consistency-based Learning Method for COVID-19 Segmentation in CT Images [11.778195406694206]
  コロナウイルス病2019(COVID-19)は世界中で活発に広がり、現実的な健康危機を引き起こしている。 トモグラフィ(CT)画像中のCOVID-19を自動的に検出するシステムは、病気の重症度を定量化するのに役立つ。 我々は、CT画像上の各感染領域に1ピクセルのポイントアノテーションを要求することで、これらのラベル付けの課題に対処する。
  論文  参考訳（メタデータ） (2020-07-04T20:41:17Z)
• Groupwise Multimodal Image Registration using Joint Total Variation [0.0]
  このようなマルチモーダル画像登録のための統合総量変動に基づくコスト関数を導入する。 シミュレーション脳スキャンと実脳スキャンの両方を厳密に整列させるアルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2020-05-06T16:11:32Z)
• 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)

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。