論文の概要: Investigating the impact of kernel harmonization and deformable registration on inspiratory and expiratory chest CT images for people with COPD

• arxiv url: http://arxiv.org/abs/2502.05119v1
• Date: Fri, 07 Feb 2025 17:41:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:55:46.793206
• Title: Investigating the impact of kernel harmonization and deformable registration on inspiratory and expiratory chest CT images for people with COPD
• Title（参考訳）: COPD患者の呼吸・呼気胸部CT像に対するカーネルハーモニゼーションと変形性登録の影響の検討
• Authors: Aravind R. Krishnan, Yihao Liu, Kaiwen Xu, Michael E. Kim, Lucas W. Remedios, Gaurav Rudravaram, Adam M. Saunders, Bradley W. Richmond, Kim L. Sandler, Fabien Maldonado, Bennett A. Landman, Lianrui Zuo,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.293488807720599
• License:
• Abstract: Paired inspiratory-expiratory CT scans enable the quantification of gas trapping due to small airway disease and emphysema by analyzing lung tissue motion in COPD patients. Deformable image registration of these scans assesses regional lung volumetric changes. However, variations in reconstruction kernels between paired scans introduce errors in quantitative analysis. This work proposes a two-stage pipeline to harmonize reconstruction kernels and perform deformable image registration using data acquired from the COPDGene study. We use a cycle generative adversarial network (GAN) to harmonize inspiratory scans reconstructed with a hard kernel (BONE) to match expiratory scans reconstructed with a soft kernel (STANDARD). We then deformably register the expiratory scans to inspiratory scans. We validate harmonization by measuring emphysema using a publicly available segmentation algorithm before and after harmonization. Results show harmonization significantly reduces emphysema measurement inconsistencies, decreasing median emphysema scores from 10.479% to 3.039%, with a reference median score of 1.305% from the STANDARD kernel as the target. Registration accuracy is evaluated via Dice overlap between emphysema regions on inspiratory, expiratory, and deformed images. The Dice coefficient between inspiratory emphysema masks and deformably registered emphysema masks increases significantly across registration stages (p<0.001). Additionally, we demonstrate that deformable registration is robust to kernel variations.
• Abstract（参考訳）: 気道疾患と気腫によるガストラップの定量化は、COPD患者の肺組織の動きを解析することによって可能となる。 これらのスキャンの変形可能な画像登録は、局所的な肺体積変化を評価する。 しかし、ペアスキャン間の再構成カーネルのばらつきは、定量的解析に誤りをもたらす。 本研究は, COPDGene研究から得られたデータを用いて, 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。 本研究では, 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) を用いた。 そして、呼吸スキャンに呼吸スキャンを変形的に登録する。 肺気腫を計測し,高調波前後の分節アルゴリズムを用いて調和を検証した。 その結果、ハーモニゼーションは気腫測定の不整合を著しく減少させ、中等度気腫スコアを10.479%から3.039%に減少させ、基準中央値はSTANDARDカーネルから1.305%を目標とした。 呼吸・呼吸・変形画像における気腫領域間のDiceオーバーラップによる登録精度の評価を行った。 呼吸気腫マスクと変形的に登録された気腫マスクのDice係数は, 登録段階間で有意に増加する(p<0.001。 さらに、変形可能な登録はカーネルの変動に対して堅牢であることを示す。

関連論文リスト

• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• Inter-vendor harmonization of Computed Tomography (CT) reconstruction kernels using unpaired image translation [7.398825519944107]
  CT生成における再構成カーネルは、画像のテクスチャを決定する。 調和化(カーネル変換)は、一貫性のない再構成カーネルによる測定の差を最小限にする。 我々は、SiemensとGEベンダーのNational Lung Screening Trialデータセットのハードとソフトの再構築カーネルを使用します。
  論文  参考訳（メタデータ） (2023-09-22T15:53:56Z)
• Multi-scale, Data-driven and Anatomically Constrained Deep Learning Image Registration for Adult and Fetal Echocardiography [4.923733944174007]
  胎児と成人のエコーにおける深層学習画像登録のための3つの戦略を組み合わせた枠組みを提案する。 以上の結果から, 良好な解剖学的トポロジーと画像テクスチャは, 形状符号化およびデータ駆動型対向損失と強く結びついていることが判明した。 当社のアプローチは,光学フローやElastixなど,従来の非DLゴールド登録手法よりも優れています。
  論文  参考訳（メタデータ） (2023-09-02T05:33:31Z)
• An Efficient and Robust Method for Chest X-Ray Rib Suppression that Improves Pulmonary Abnormality Diagnosis [0.49998148477760956]
  胸部X線(CXR)に対する胸部骨陰影の抑制は肺疾患の診断を改善することが示唆された。 従来のアプローチは、教師なしの物理的および教師なしのディープラーニングモデルに分類される。 本研究では,(1)空間変換勾配場における物理モデルによる最小化によりGT骨影を除去した2段階のトレーニングペアの生成について,一般化可能かつ効率的なワークフローを提案する。 2) 受信したCXRの高速リブ除去のために,ステージ1データセット上でのネットワークトレーニングをフル教師する。
  論文  参考訳（メタデータ） (2023-02-19T23:47:02Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Single volume lung biomechanics from chest computed tomography using a mode preserving generative adversarial network [10.406580531987418]
  単一のCTスキャンから直接局所組織拡張を推定するための生成的対向学習手法を提案する。 提案手法はSPIROMICSコホートから2500名の被験者を対象に訓練,評価を行った。 提案モデルでは,PSNR18.95デシベル,SSIM0.840,スピアマン相関0.61,高分解能1mm3で達成した。
  論文  参考訳（メタデータ） (2021-10-15T06:17:52Z)
• 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)
• Quantification of pulmonary involvement in COVID-19 pneumonia by means of a cascade oftwo U-nets: training and assessment on multipledatasets using different annotation criteria [83.83783947027392]
  本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。 2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。 LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
  論文  参考訳（メタデータ） (2021-05-06T10:21:28Z)
• 2-D Respiration Navigation Framework for 3-D Continuous Cardiac Magnetic Resonance Imaging [61.701281723900216]
  連続スキャン中に2次元呼吸情報を得るためのサンプリング適応を提案する。 我々は、取得した信号から異なる呼吸状態を抽出し、ある呼吸相からデータを再構成するパイプラインを開発した。
  論文  参考訳（メタデータ） (2020-12-26T08:29:57Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• No Surprises: Training Robust Lung Nodule Detection for Low-Dose CT Scans by Augmenting with Adversarial Attacks [18.369871933983706]
  コンピュータビジョン技術を用いて結節を検出することで、肺がん検診のための胸部CTの感度と速度を向上させることができる。 多くの研究は、結節候補を検出するためにCNNを使用している。 また、CNNはトレーニングセットで表現されていないサンプルを一般化し、知覚不能なノイズの摂動を生じやすいように制限されることも知られている。
  論文  参考訳（メタデータ） (2020-03-08T18:32:46Z)

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。