論文の概要: Weakly Supervised Spatial Implicit Neural Representation Learning for 3D MRI-Ultrasound Deformable Image Registration in HDR Prostate Brachytherapy

• arxiv url: http://arxiv.org/abs/2503.14395v1
• Date: Tue, 18 Mar 2025 16:30:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:14:38.456381
• Title: Weakly Supervised Spatial Implicit Neural Representation Learning for 3D MRI-Ultrasound Deformable Image Registration in HDR Prostate Brachytherapy
• Title（参考訳）: HDR前立腺切開療法における3次元MRIによる変形性画像レジストレーションのための空間的暗黙的ニューラル表現学習
• Authors: Jing Wang, Ruirui Liu, Yu Lei, Michael J. Baine, Tian Liu, Yang Lei,
• Abstract要約: 本研究は, 3次元MRI-USデフォルマブル登録のためのSINRを基盤とした新しい手法を提案する。 HDR前立腺切開療法におけるリアルタイム画像誘導の精度,堅牢性,計算効率の向上を実現している。
• 参考スコア（独自算出の注目度）: 5.457582385030137
• License:
• Abstract: Purpose: Accurate 3D MRI-ultrasound (US) deformable registration is critical for real-time guidance in high-dose-rate (HDR) prostate brachytherapy. We present a weakly supervised spatial implicit neural representation (SINR) method to address modality differences and pelvic anatomy challenges. Methods: The framework uses sparse surface supervision from MRI/US segmentations instead of dense intensity matching. SINR models deformations as continuous spatial functions, with patient-specific surface priors guiding a stationary velocity field for biologically plausible deformations. Validation included 20 public Prostate-MRI-US-Biopsy cases and 10 institutional HDR cases, evaluated via Dice similarity coefficient (DSC), mean surface distance (MSD), and 95% Hausdorff distance (HD95). Results: The proposed method achieved robust registration. For the public dataset, prostate DSC was $0.93 \pm 0.05$, MSD $0.87 \pm 0.10$ mm, and HD95 $1.58 \pm 0.37$ mm. For the institutional dataset, prostate CTV achieved DSC $0.88 \pm 0.09$, MSD $1.21 \pm 0.38$ mm, and HD95 $2.09 \pm 1.48$ mm. Bladder and rectum performance was lower due to ultrasound's limited field of view. Visual assessments confirmed accurate alignment with minimal discrepancies. Conclusion: This study introduces a novel weakly supervised SINR-based approach for 3D MRI-US deformable registration. By leveraging sparse surface supervision and spatial priors, it achieves accurate, robust, and computationally efficient registration, enhancing real-time image guidance in HDR prostate brachytherapy and improving treatment precision.
• Abstract（参考訳）: 目的: 3D MRI-ultrasound (US) deformable registration is critical for real-time guidance in high-Dose-rate (HDR) prostate brachytherapy。 骨盤解剖学の課題に対処するために,弱教師付き空間的暗黙的神経表現法(SINR)を提案する。 方法: このフレームワークは、濃密な強度マッチングの代わりに、MRI/USセグメンテーションからのスパース表面の監視を使用する。 SINRは、変形を連続的な空間関数としてモデル化し、患者特有の表面は、生物学的に妥当な変形のための静止速度場を導く。 Dice similarity coefficient (DSC), mean surface distance (MSD), and 95% Hausdorff distance (HD95。 結果: 提案手法はロバストな登録を実現した。 パブリックデータセットでは、プロステートDSCは0.93 \pm 0.05$、MSD $0.87 \pm 0.10$ mm、HD95 $1.58 \pm 0.37$ mmである。 機関のデータセットでは、プロステートCTVはDSC$0.88 \pm 0.09$、MSD $1.21 \pm 0.38$ mm、HD95 $2.09 \pm 1.48$ mmを達成した。 超音波視野の制限により膀胱と直腸のパフォーマンスは低下した。 視力評価は最小の相違点と正確な一致を確認した。 結論: 本研究は, 3次元MRI-USデフォルマブル登録のための, SINRを基盤とした新しい手法を提案する。 表面の粗い監督と空間的事前情報を活用することで、正確な、堅牢で、計算的に効率的な登録を実現し、HDR前立腺切断療法におけるリアルタイム画像誘導を強化し、治療精度を向上させる。

関連論文リスト

• Cancer-Net PCa-Seg: Benchmarking Deep Learning Models for Prostate Cancer Segmentation Using Synthetic Correlated Diffusion Imaging [65.83291923029985]
  前立腺癌(PCa)は米国で最も多いがんであり、約30,000人、全診断の29%、2024年に35,000人が死亡した。 前立腺特異的抗原 (PSA) 検査やMRI (MRI) などの従来のスクリーニング法は診断において重要であるが、特異性や一般化性には限界がある。 我々はU-Net、SegResNet、Swin UNETR、Attention U-Net、LightM-UNetといった最先端のディープラーニングモデルを用いて、200ドルのCDIからPCa病変を抽出する。
  論文  参考訳（メタデータ） (2025-01-15T22:23:41Z)
• Deep Regression 2D-3D Ultrasound Registration for Liver Motion Correction in Focal Tumor Thermal Ablation [5.585625844344932]
  肝腫瘍のアブレーションは, 腫瘍中心部における針の塗布を正確に行う必要がある。 画像登録技術は、解剖学的詳細の解釈や腫瘍の同定に有効であるが、その臨床応用は、アライメント精度と実行時のパフォーマンスのトレードオフによって妨げられている。 肝運動によるエラーを軽減できる2D-3DUSレジストレーション手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T15:24:45Z)
• Continuous sPatial-Temporal Deformable Image Registration (CPT-DIR) for motion modelling in radiotherapy: beyond classic voxel-based methods [10.17207334278678]
  CPT-DIR(Continuous-sPatial-Temporal DIR)という,空間と時間の両方で連続的に動きをモデル化する暗黙的ニューラル表現(INR)に基づくアプローチを提案する。 DIRは,10例の肺4DCTのDIR-Labデータセットを用いて,ランドマーク精度(TRE),輪郭適合度(Dice),画像類似度(MAE)の測定を行った。 提案したCPT-DIRは、ランドマークTREを2.79mmから0.99mmに減らし、すべてのケースにおいてBスプラインの結果より優れている。
  論文  参考訳（メタデータ） (2024-05-01T10:26:08Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Thoracic Cartilage Ultrasound-CT Registration using Dense Skeleton Graph [49.11220791279602]
  一般的なアトラスから個々の患者への計画された経路を正確にマッピングすることは困難である。 アトラスから現在の設定へ計画されたパスを転送できるように、グラフベースの非厳密な登録を提案する。
  論文  参考訳（メタデータ） (2023-07-07T18:57:21Z)
• RRWaveNet: A Compact End-to-End Multi-Scale Residual CNN for Robust PPG Respiratory Rate Estimation [0.6464087844700315]
  RRの変化は、心臓病、肺疾患、睡眠障害などの深刻な医療イベントを反映できるため、呼吸速度(RR)は重要なバイオマーカーである。 標準RRカウントはヒューマンエラーを起こしやすいため、連続的に実行することはできない。 本研究では,RRWaveNetを連続的に推定する手法を提案する。
  論文  参考訳（メタデータ） (2022-08-18T07:11:34Z)
• Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian Shape Framework [65.19784967388934]
  RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。 本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。 実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-30T13:04:42Z)
• Automated Cardiac Resting Phase Detection Targeted on the Right Coronary Artery [5.227072666312533]
  提案されたプロトタイプシステムは3つの主要なステップで構成されている。 まず、関心領域(ROI)のローカライゼーションを行う。 第2に、すべての時間点にわたる収穫されたROI系列を定量的に追跡する。 第3に、RPを分類するために出力運動値を使用する。
  論文  参考訳（メタデータ） (2021-09-06T10:29:52Z)
• Deep Implicit Statistical Shape Models for 3D Medical Image Delineation [47.78425002879612]
  解剖学的構造の3次元デライン化は、医用画像解析の基本的な目標である。 ディープラーニング以前は、解剖学的制約を課し高品質の表面を作り出す統計的形状モデルはコア技術だった。 我々は,CNNの表現力とSSMの頑健さを合体させるデライン化の新しい手法であるディープ暗黙的統計的形状モデル(DISSMs)を提案する。
  論文  参考訳（メタデータ） (2021-04-07T01:15:06Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。