論文の概要: Beyond the Lungs: Extending the Field of View in Chest CT with Latent Diffusion Models

• arxiv url: http://arxiv.org/abs/2501.13068v1
• Date: Wed, 22 Jan 2025 18:28:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-23 13:28:39.615113
• Title: Beyond the Lungs: Extending the Field of View in Chest CT with Latent Diffusion Models
• Title（参考訳）: 胸部CTにおける胸部視野の拡張 : 潜在拡散モデルによる検討
• Authors: Lianrui Zuo, Kaiwen Xu, Dingjie Su, Xin Yu, Aravind R. Krishnan, Yihao Liu, Shunxing Bao, Thomas Li, Kim L. Sandler, Fabien Maldonado, Bennett A. Landman,
• Abstract要約: ヒトの肺と肝臓や腎臓などの他の臓器の間の仲介は、肺疾患の根本的なリスクと影響を理解するために不可欠である。 ほとんどの研究で胸部CT像は、費用と放射線線量を考慮して肺のみに焦点を当てている。 この制限された視野は、包括的な分析に挑戦し、肺疾患が他の臓器に与える影響についての洞察を得ることを妨げる。
• 参考スコア（独自算出の注目度）: 15.573780808103985
• License:
• Abstract: The interconnection between the human lungs and other organs, such as the liver and kidneys, is crucial for understanding the underlying risks and effects of lung diseases and improving patient care. However, most research chest CT imaging is focused solely on the lungs due to considerations of cost and radiation dose. This restricted field of view (FOV) in the acquired images poses challenges to comprehensive analysis and hinders the ability to gain insights into the impact of lung diseases on other organs. To address this, we propose SCOPE (Spatial Coverage Optimization with Prior Encoding), a novel approach to capture the inter-organ relationships from CT images and extend the FOV of chest CT images. Our approach first trains a variational autoencoder (VAE) to encode 2D axial CT slices individually, then stacks the latent representations of the VAE to form a 3D context for training a latent diffusion model. Once trained, our approach extends the FOV of CT images in the z-direction by generating new axial slices in a zero-shot manner. We evaluated our approach on the National Lung Screening Trial (NLST) dataset, and results suggest that it effectively extends the FOV to include the liver and kidneys, which are not completely covered in the original NLST data acquisition. Quantitative results on a held-out whole-body dataset demonstrate that the generated slices exhibit high fidelity with acquired data, achieving an SSIM of 0.81.
• Abstract（参考訳）: ヒトの肺と肝臓や腎臓などの他の臓器との相互接続は、肺疾患の根本的なリスクと影響を理解し、患者のケアを改善するために重要である。 しかし, 胸部CT像の多くは, 費用と放射線照射量を考慮して肺のみに焦点が当てられている。 取得した画像のこの制限された視野(FOV)は、包括的な分析に挑戦し、肺疾患が他の臓器に与える影響についての洞察を得るのを妨げる。 そこで我々は,CT画像から組織間関係を捕捉し,胸部CT画像のFOVを拡張するSCOPE(Spatial Coverage Optimization with Prior Encoding)を提案する。 提案手法は,まず2次元軸方向CTスライスを個別に符号化するために変分オートエンコーダ (VAE) を訓練し,次にVAEの潜時表現を積み重ねて潜時拡散モデルの訓練のための3次元コンテキストを形成する。 訓練後、ゼロショット方式で新しい軸スライスを生成することにより、z方向CT画像のFOVを拡張する。 我々は,NLST(National Lung Screening Trial)データセットに対するアプローチについて検討した。その結果,従来のNLSTデータ取得では完全にカバーされていない肝臓と腎臓を含むFOVを効果的に拡張できることが示唆された。 保持された全体データセットの定量的結果は、生成されたスライスが取得したデータで高い忠実度を示し、SSIMは0.81であることを示している。

関連論文リスト

• High-Fidelity 3D Lung CT Synthesis in ARDS Swine Models Using Score-Based 3D Residual Diffusion Models [13.79974752491887]
  急性呼吸不全症候群(ARDS)は、肺炎症と呼吸不全を特徴とする重症疾患であり、死亡率は約40%である。 胸部X線のような従来の画像撮影法は、肺病理の完全な評価において、その効果を制限し、2次元のビューのみを提供する。 本研究では, スコアベース3D残差拡散モデルを用いて2次元X線画像から高忠実度3D肺CTを合成する。
  論文  参考訳（メタデータ） (2024-09-26T18:22:34Z)
• Diffusion-based Generative Image Outpainting for Recovery of FOV-Truncated CT Images [10.350643783811174]
  truncated chest CT のフィールド・オブ・ビュー (FOV) 回復は, 正確な体組成解析に不可欠である。 生成画像のアウトペイントを用いて, 切り抜きCTスライスを復元する手法を提案する。 我々のモデルは,87%の少ないデータでトレーニングされているにもかかわらず,切り離された解剖学を確実に回復し,過去の最先端を上回ります。
  論文  参考訳（メタデータ） (2024-06-07T09:15:29Z)
• Body Composition Assessment with Limited Field-of-view Computed Tomography: A Semantic Image Extension Perspective [5.373119949253442]
  Field-of-view (FOV) tissue truncation beyond the lungs is common in routine lung screening Computed tomography (CT) 本研究では,入力として画像データのみを必要とする意味的画像拡張の観点から問題を定式化する。 提案した2段階法は, 完全体の推定範囲に基づいて新しいFOV境界を同定し, 脱落した領域の欠損組織を溶出する。
  論文  参考訳（メタデータ） (2022-07-13T23:19:22Z)
• Unsupervised Contrastive Learning based Transformer for Lung Nodule Detection [6.693379403133435]
  CTによる肺結節の早期発見は,肺癌患者の長期生存と生活の質の向上に不可欠である。 CAD (Computer-Aided Detection/diagnosis) はこの文脈において第2または同時読影器として有用である。 肺結節の正確な検出は、サイズ、位置、および肺結節の出現のばらつきにより、CADシステムや放射線技師にとって依然として困難である。 近年のコンピュータビジョン技術に触発されて,肺結節を同定するための自己教師付き領域ベース3次元トランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-30T01:19:00Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Segmentation of Lung Tumor from CT Images using Deep Supervision [0.8733639720576208]
  肺がんは世界中のほとんどの国で死因となっている。 本稿では,LOTUSデータセットに2次元離散ウェーブレット変換(DWT)を適用し,肺腫瘍のセグメンテーションにアプローチする。
  論文  参考訳（メタデータ） (2021-11-17T17:50:18Z)
• 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)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。