論文の概要: nnLandmark: A Self-Configuring Method for 3D Medical Landmark Detection
- arxiv url: http://arxiv.org/abs/2504.06742v1
- Date: Wed, 09 Apr 2025 09:53:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-10 13:06:18.684750
- Title: nnLandmark: A Self-Configuring Method for 3D Medical Landmark Detection
- Title（参考訳）: nnLandmark:3D医療ランドマーク検出のための自己設定方法
- Authors: Alexandra Ertl, Shuhan Xiao, Stefan Denner, Robin Peretzke, David Zimmerer, Peter Neher, Fabian Isensee, Klaus Maier-Hein,
- Abstract要約: この研究は3D医療ランドマーク検出のための自己構成型ディープラーニングフレームワークであるnnLandmarkを紹介している。
nnLandmarkは手動のパラメータチューニングの必要性を排除し、アウト・オブ・ボックスのユーザビリティを提供する。
下顎臼歯部CTデータセット(MML)に1.5mmの放射平均誤差(MRE)、脳MRIデータセット(AFIDs)に1.2mmの解剖学的画像を含む2つの公的データセットにまたがる最先端の精度を実現する。
nnLandmarkは、3Dランドマーク検出のための信頼性の高いベースラインを確立し、解剖学的局在の研究を支援している
- 参考スコア（独自算出の注目度）: 35.41030755599218
- License:
- Abstract: Landmark detection plays a crucial role in medical imaging tasks that rely on precise spatial localization, including specific applications in diagnosis, treatment planning, image registration, and surgical navigation. However, manual annotation is labor-intensive and requires expert knowledge. While deep learning shows promise in automating this task, progress is hindered by limited public datasets, inconsistent benchmarks, and non-standardized baselines, restricting reproducibility, fair comparisons, and model generalizability.This work introduces nnLandmark, a self-configuring deep learning framework for 3D medical landmark detection, adapting nnU-Net to perform heatmap-based regression. By leveraging nnU-Net's automated configuration, nnLandmark eliminates the need for manual parameter tuning, offering out-of-the-box usability. It achieves state-of-the-art accuracy across two public datasets, with a mean radial error (MRE) of 1.5 mm on the Mandibular Molar Landmark (MML) dental CT dataset and 1.2 mm for anatomical fiducials on a brain MRI dataset (AFIDs), where nnLandmark aligns with the inter-rater variability of 1.5 mm. With its strong generalization, reproducibility, and ease of deployment, nnLandmark establishes a reliable baseline for 3D landmark detection, supporting research in anatomical localization and clinical workflows that depend on precise landmark identification. The code will be available soon.
- Abstract（参考訳）: ランドマーク検出は、診断、治療計画、画像登録、手術ナビゲーションなど、正確な空間的位置決めに依存する医療画像タスクにおいて重要な役割を担っている。
しかし、マニュアルアノテーションは労働集約的であり、専門家の知識を必要とする。
ディープラーニングは、このタスクを自動化する上で有望であることを示しているが、進歩は、限定された公開データセット、一貫性のないベンチマーク、非標準ベースラインによって妨げられ、再現性、公正な比較、モデルの一般化が制限される。この研究は、nnLandmarkを導入している。nnLandmarkは、3D医療ランドマーク検出のための自己構成型のディープラーニングフレームワークで、nnU-Netをヒートマップベースのレグレッションに適応させる。
nnU-Netの自動設定を活用することで、nnLandmarkは手動パラメータチューニングの必要性を排除し、アウト・オブ・ザ・ボックスのユーザビリティを提供する。
下顎臼歯部CTデータセット(MML)の平均半径誤差(MRE)が1.5mm、脳MRIデータセット(AFID)の解剖学的画像に対して1.2mmであり、nnLandmarkは1.5mm間の変動と一致している。
その強力な一般化、再現性、展開の容易さにより、nnLandmarkは、3Dランドマーク検出のための信頼性の高いベースラインを確立し、解剖学的ローカライゼーションと正確なランドマーク識別に依存する臨床ワークフローの研究を支援している。
コードはまもなく利用可能になる。
関連論文リスト
- landmarker: a Toolkit for Anatomical Landmark Localization in 2D/3D Images [2.9310590399782788]
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。
論文 参考訳（メタデータ） (2025-01-17T10:35:58Z) - 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) - 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) - Focused Decoding Enables 3D Anatomical Detection by Transformers [64.36530874341666]
集束デコーダと呼ばれる3次元解剖学的構造検出のための新しい検出変換器を提案する。
Focused Decoderは、解剖学的領域のアトラスからの情報を活用して、クエリアンカーを同時にデプロイし、クロスアテンションの視野を制限する。
提案手法を利用可能な2つのCTデータセットに対して評価し、フォーカスドデコーダが強力な検出結果を提供するだけでなく、大量の注釈付きデータの必要性を軽減し、注意重みによる結果の例外的で直感的な説明性を示すことを示した。
論文 参考訳（メタデータ） (2022-07-21T22:17:21Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - Feature Aggregation and Refinement Network for 2D AnatomicalLandmark
Detection [0.0]
本稿では,解剖学的ランドマークの自動検出のための,特徴集約・改善ネットワーク(FARNet)を提案する。
我々のネットワークは3つの公開解剖学的ランドマーク検出データセットで評価されている。
論文 参考訳（メタデータ） (2021-11-01T02:16:13Z) - Structure-Aware Long Short-Term Memory Network for 3D Cephalometric
Landmark Detection [37.031819721889676]
本研究では,3次元ランドマーク検出のための構造対応長短期記憶フレームワーク(SA-LSTM)を提案する。
SA-LSTMは、まず、ダウンサンプリングCBCTボリューム上の熱マップ回帰によって粗いランドマークを見つける。
その後、高解像度の収穫パッチを使用して、注意深いオフセット回帰によってランドマークを徐々に洗練する。
実験の結果,提案手法は効率と精度で最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-07-21T06:35:52Z) - 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) - Automated 3D cephalometric landmark identification using computerized
tomography [1.4349468613117398]
頭蓋骨の形状を代用する3次元頭蓋骨計測のランドマークの同定は、頭蓋骨計測の基本的なステップである。
近年,ディープラーニング(dl)を用いた2次元頭部画像の自動ランドマーク作成が大きな成功を収めているが,80以上のランドマークに対する3次元ランドマークは,まだ満足のいくレベルには達していない。
本論文では,匿名化されたランドマークデータセットと対のCTデータを取り除いた,半教師付き3次元ランドマーク用DL法を提案する。
論文 参考訳（メタデータ） (2020-12-16T07:29:32Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z)
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。