論文の概要: Deformable Image Registration of Dark-Field Chest Radiographs for Local Lung Signal Change Assessment
- arxiv url: http://arxiv.org/abs/2501.10757v1
- Date: Sat, 18 Jan 2025 13:08:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-22 14:20:09.046394
- Title: Deformable Image Registration of Dark-Field Chest Radiographs for Local Lung Signal Change Assessment
- Title(参考訳): 局所肺信号変化評価のための暗視野胸部X線像の変形性画像登録
- Authors: Fabian Drexel, Vasiliki Sideri-Lampretsa, Henriette Bast, Alexander W. Marka, Thomas Koehler, Florian T. Gassert, Daniela Pfeiffer, Daniel Rueckert, Franz Pfeiffer,
- Abstract要約: 暗視野胸部X線撮影では,呼吸状態のみに肺の信号が認められた。
我々の研究は、異なる呼吸状態の暗視野の肺情報を局所的に比較することで、新たな視点を加えることを目的としている。
- 参考スコア(独自算出の注目度): 44.53888711621821
- License:
- Abstract: Dark-field radiography of the human chest has been demonstrated to have promising potential for the analysis of the lung microstructure and the diagnosis of respiratory diseases. However, previous studies of dark-field chest radiographs evaluated the lung signal only in the inspiratory breathing state. Our work aims to add a new perspective to these previous assessments by locally comparing dark-field lung information between different respiratory states. To this end, we discuss suitable image registration methods for dark-field chest radiographs to enable consistent spatial alignment of the lung in distinct breathing states. Utilizing full inspiration and expiration scans from a clinical chronic obstructive pulmonary disease study, we assess the performance of the proposed registration framework and outline applicable evaluation approaches. Our regional characterization of lung dark-field signal changes between the breathing states provides a proof-of-principle that dynamic radiography-based lung function assessment approaches may benefit from considering registered dark-field images in addition to standard plain chest radiographs.
- Abstract(参考訳): ヒト胸部暗視野X線撮影は肺の微細構造の解析と呼吸器疾患の診断に有望な可能性を示唆している。
しかし、従来の暗視野胸部X線撮影では、呼吸状態のみに肺の信号が評価されていた。
本研究は,呼吸状態の異なる暗視野肺情報を局所的に比較することにより,これらの評価に新たな視点を加えることを目的としている。
そこで我々は,暗視野胸部X線画像の適切な画像登録法について検討し,肺の異なる呼吸状態における一貫した空間的アライメントを可能にする。
臨床慢性閉塞性肺疾患研究からの完全なインスピレーションと呼気スキャンを利用して,本研究の登録フレームワークの性能評価を行い,適用可能な評価手法を概説した。
呼吸状態間の肺暗視野信号の変化の地域的特徴は、標準の胸部X線写真に加えて、登録暗視野画像を考えることで、ダイナミックラジオグラフィーに基づく肺機能評価アプローチが有用であることを示す証拠となる。
関連論文リスト
- Investigating the impact of kernel harmonization and deformable registration on inspiratory and expiratory chest CT images for people with COPD [5.293488807720599]
本稿では、再構成カーネルを調和させ、変形可能な画像登録を行うための2段階パイプラインを提案する。
ハードカーネル (BONE) で再構成した呼吸スキャンとソフトカーネル (STANDARD) で再構成した呼吸スキャンを調和させるために, GAN (Cycle Generative Adversarial Network) を用いている。
その結果,高調波は気腫測定の不整合を著しく減少させることがわかった。
論文 参考訳(メタデータ) (2025-02-07T17:41:49Z) - Ultrasound Lung Aeration Map via Physics-Aware Neural Operators [78.6077820217471]
肺超音波は、急性肺疾患や慢性肺疾患を診断するクリニックにおいて増加するモダリティである。
超音波による空気透過性の低下に起因する胸膜界面からの複雑な逆流によって複雑になる。
RFデータから肺エアレーションマップを直接再構成するAIモデルLUNAを提案する。
論文 参考訳(メタデータ) (2025-01-02T09:24:34Z) - Underestimation of lung regions on chest X-ray segmentation masks
assessed by comparison with total lung volume evaluated on computed
tomography [3.6532123895698856]
肺マスクの作成には明確な基準や基準が欠如しており、アノテータ間の主観性が高い。
肺X線マスクは心臓,縦隔,横隔膜の輪郭に沿って生成され,肺のかなりの部分を取り除いた。
論文 参考訳(メタデータ) (2024-02-18T08:51:29Z) - X-ray Dissectography Improves Lung Nodule Detection [14.672019886848755]
数個のX線投影から肺をデジタル的に解剖するために「X線ディストモグラフィー」が用いられる。
協調検出ネットワークは、肺結節を2次元の離断射影と3次元の物理的空間に局在させるように設計されている。
論文 参考訳(メタデータ) (2022-03-24T15:18:57Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳(メタデータ) (2021-11-26T13:47:34Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z) - Contralaterally Enhanced Networks for Thoracic Disease Detection [120.60868136876599]
胸骨、肺野、気管支管など、胸部左右に類似した構造が多数存在する。
このような類似性は、広義の放射線学者の経験から、胸部X線における疾患の同定に利用することができる。
本稿では,病状提案の特徴表現を強化するために,対向的コンテキスト情報を活用するディープ・エンド・ツー・エンド・モジュールを提案する。
論文 参考訳(メタデータ) (2020-10-09T10:15:26Z) - Deep Learning-based Four-region Lung Segmentation in Chest Radiography
for COVID-19 Diagnosis [9.117659716068083]
ウイルス19肺炎の正確な定量化を支援するための4つの領域肺分画法を提案する。
CXRの深層学習モデルでは、COVID-19肺炎患者の肺不透明度の局所分布を正確に分類し定量化することができる。
論文 参考訳(メタデータ) (2020-09-26T14:32:13Z) - Joint Modeling of Chest Radiographs and Radiology Reports for Pulmonary
Edema Assessment [39.60171837961607]
我々は,胸部X線写真から肺浮腫の重症度を評価するために,画像と自由テキストの両方で訓練されたニューラルネットワークモデルを開発した。
実験結果から,共同画像・テキスト表現学習は肺浮腫評価の性能を向上させることが示唆された。
論文 参考訳(メタデータ) (2020-08-22T17:28:39Z) - Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。
コンピュータ支援診断システムは診断精度を向上させる可能性を示した。
本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
論文 参考訳(メタデータ) (2020-05-28T10:54:34Z)
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。