論文の概要: landmarker: a Toolkit for Anatomical Landmark Localization in 2D/3D Images

• arxiv url: http://arxiv.org/abs/2501.10098v1
• Date: Fri, 17 Jan 2025 10:35:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 14:00:56.710165
• Title: landmarker: a Toolkit for Anatomical Landmark Localization in 2D/3D Images
• Title（参考訳）: ランドマーク:2D/3D画像における解剖学的ランドマークの局所化のためのツールキット
• Authors: Jef Jonkers, Luc Duchateau, Glenn Van Wallendael, Sofie Van Hoecke,
• Abstract要約: landmarkerは、ランドマークローカライゼーションアルゴリズムの開発と評価のためのPythonパッケージである。 ランドマーク識別の精度を高め、研究と開発プロセスを合理化し、さまざまなイメージフォーマットと前処理パイプラインをサポートする。 ランドマークは、既存の汎用ポーズ推定ツールで適切に満たされていないランドマークのローカライゼーションタスクにおいて、精度とカスタマイズの重要なニーズに対処する。
• 参考スコア（独自算出の注目度）: 2.9310590399782788
• License:
• Abstract: Anatomical landmark localization in 2D/3D images is a critical task in medical imaging. Although many general-purpose tools exist for landmark localization in classical computer vision tasks, such as pose estimation, they lack the specialized features and modularity necessary for anatomical landmark localization applications in the medical domain. Therefore, we introduce landmarker, a Python package built on PyTorch. The package provides a comprehensive, flexible toolkit for developing and evaluating landmark localization algorithms, supporting a range of methodologies, including static and adaptive heatmap regression. landmarker enhances the accuracy of landmark identification, streamlines research and development processes, and supports various image formats and preprocessing pipelines. Its modular design allows users to customize and extend the toolkit for specific datasets and applications, accelerating innovation in medical imaging. landmarker addresses a critical need for precision and customization in landmark localization tasks not adequately met by existing general-purpose pose estimation tools.
• Abstract（参考訳）: 2D/3D画像における解剖学的ランドマークの局在は、医用画像において重要な課題である。 ポーズ推定のような古典的なコンピュータビジョンタスクにおけるランドマークローカライズのための汎用ツールが数多く存在するが、医学領域における解剖学的ランドマークローカライズアプリケーションに必要な特長やモジュラリティは欠如している。 そこで我々は、PyTorch上に構築されたPythonパッケージであるランドマークの導入を行った。 このパッケージは、ランドマークローカライゼーションアルゴリズムの開発と評価のための包括的な柔軟なツールキットを提供し、静的および適応的なヒートマップ回帰を含む様々な方法論をサポートする。 ランドマーク識別の精度を高め、研究と開発プロセスを合理化し、さまざまなイメージフォーマットと前処理パイプラインをサポートする。 モジュラーデザインにより、ユーザーは特定のデータセットやアプリケーションのためにツールキットをカスタマイズおよび拡張することができ、医療画像のイノベーションを加速することができる。 ランドマークは、既存の汎用ポーズ推定ツールで適切に満たされていないランドマークのローカライゼーションタスクにおいて、精度とカスタマイズの重要なニーズに対処する。

関連論文リスト

• FaceDig: Automated tool for placing landmarks on facial portraits for geometric morphometrics users [0.0]
  FaceDigはAIを利用したツールで、人間のレベルの精度でランドマークの配置を自動化する。 これは、最大かつ最も民族的に多様な顔データセットの1つを用いて訓練された。 以上の結果から,FaceDigは専門家が手作業で配置したものに匹敵する,信頼性の高いランドマーク座標を提供することが示された。
  論文  参考訳（メタデータ） (2024-11-03T10:03:52Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• 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)
• Localizing Anatomical Landmarks in Ocular Images using Zoom-In Attentive Networks [34.05575237813503]
  眼画像の解剖学的ランドマーク化のためのズームイン注意ネットワーク(ZIAN)を提案する。 実験により,ZIANは有望な性能を達成し,最先端のローカライゼーション手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-25T15:08:20Z)
• 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)
• MeshLoc: Mesh-Based Visual Localization [54.731309449883284]
  シーン表現を構築するために,データベースイメージ間のマッチング機能を必要としない,高密度な3Dメッシュに基づく,より柔軟な代替手段を模索する。 驚くべきことに、ニューラルネットワークのレンダリングステージなしで、これらのメッシュのレンダリングの特徴を抽出するときに、競合的な結果が得られる。 以上の結果から,高密度な3次元モデルに基づく表現は,既存の表現の代替として有望なものであり,今後の研究にとって興味深い,挑戦的な方向性を示すものと考えられる。
  論文  参考訳（メタデータ） (2022-07-21T21:21:10Z)
• Semantic Image Alignment for Vehicle Localization [111.59616433224662]
  単眼カメラからのセマンティックセグメンテーションを用いた高密度セマンティックマップにおける車両位置推定手法を提案する。 既存の視覚的ローカライゼーションアプローチとは対照的に、システムは追加のキーポイント機能、手作りのローカライゼーションランドマーク抽出器、高価なLiDARセンサーを必要としない。
  論文  参考訳（メタデータ） (2021-10-08T14:40:15Z)
• Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark Detection in Medical Images [15.7026400415269]
  本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。 提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
  論文  参考訳（メタデータ） (2021-05-19T13:39:18Z)
• One-Shot Object Localization in Medical Images based on Relative Position Regression [17.251097303541002]
  ボリューム医療画像における臓器局在とランドマーク局在のためのワンショットフレームワークを提示する。 私たちの主な考え方は、異なる人体の組織や臓器が、同様の相対的な位置と文脈を持っていることです。 ヘッド・アンド・ネック(HaN)CTボリュームからの多臓器局在化実験により,本手法は実時間で競合性能を得た。
  論文  参考訳（メタデータ） (2020-12-13T11:54:19Z)
• Self-Supervised Discovery of Anatomical Shape Landmarks [5.693003993674883]
  画像中のランドマークを自動的に位置決めし、検出し、その後の分析に使用できる自己教師型ニューラルネットワークアプローチを提案する。 本稿では,一組の入力画像のみを取り込み,統計的形状解析に即時に利用できるランドマークを生成する,完全なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T00:56:33Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)

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。