論文の概要: Segmentation of separated Lumens in 3D CTA images of Aortic Dissection
- arxiv url: http://arxiv.org/abs/2507.03655v1
- Date: Fri, 04 Jul 2025 15:30:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:34.820108
- Title: Segmentation of separated Lumens in 3D CTA images of Aortic Dissection
- Title（参考訳）: 大動脈解離の3次元CTA像における分離腔の分画
- Authors: Christophe Lohou, Bruno Miguel,
- Abstract要約: 大動脈解離は大動脈の内膜壁の断裂を特徴とする。
本稿では, 涙を埋める表面を用いて, ゴム間の接続を切断し, 分離する。
- 参考スコア（独自算出の注目度）: 0.23020018305241333
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Aortic dissection is a serious pathology and requires an emergency management. It is characterized by one or more tears of the intimal wall of the normal blood duct of the aorta (true lumen); the blood under pressure then creates a second blood lumen (false lumen) in the media tissue. The two lumens are separated by an intimal wall, called flap. From the segmentation of connected lumens (more precisely, blood inside lumens) of an aortic dissection 3D Computed Tomography Angiography (CTA) image, our previous studies allow us to retrieve the intimal flap by using Mathematical Morphology operators, and characterize intimal tears by 3d thin surfaces that fill them, these surfaces are obtained by operating the Aktouf et al. closing algorithm proposed in the framework of Digital Topology. Indeed, intimal tears are 3D holes in the intimal flap; although it is impossible to directly segment such non-concrete data, it is nevertheless possible to "materialize" them with these 3D filling surfaces that may be quantified or make easier the visualization of these holes. In this paper, we use these surfaces that fill tears to cut connections between lumens in order to separate them. This is the first time that surfaces filling tears are used as an image processing operator (to disconnect several parts of a 3D object). This lumen separation allows us to provide one of the first cartographies of an aortic dissection, that may better visually assist physicians during their diagnosis. Our method is able to disconnect lumens, that may also lead to enhance several current investigations (registration, segmentation, hemodynamics).
- Abstract（参考訳）: 大動脈解離は重篤な病態であり,緊急治療が必要である。
大動脈(真のルーメン)の正常な血液管の内膜壁の1つ以上の涙を特徴とし、圧力下の血液はメディア組織に第2のルーメン(偽ルーメン)を生成する。
2つのルーメンは、フラップと呼ばれる内膜壁で隔てられている。
大動脈解離3DCTアンギオグラフィー(CTA)画像の連結ルーメン(より正確にはルーメン内血液)の分画から,本研究では,数理形態学演算子を用いて内膜皮弁を回収し,これらを充填する3次元薄面による内膜断裂を特徴付けるとともに,デジタルトポロジーの枠組みで提案したAktouf et al close algorithmを演算することにより,これらの表面を得ることができた。
実際、内向的な涙は内向的なフラップの3次元穴であり、そのような非連続的なデータを直接的にセグメントすることは不可能であるが、これらの3次元充填面でそれらを「物質化」することは、これらの穴の定量化や可視化を容易にすることができる。
本稿では, 涙を流す表面を用いて, ゴム間の接続を切断し, 分離する。
涙を埋める表面が画像処理演算子(3Dオブジェクトのいくつかの部分を切断する)として使用されるのはこれが初めてである。
このルーメン分離により,大動脈解離の最初の地図が提供され,診断時の医師の視力向上が期待できる。
本手法はルーメンの切断が可能であり, レジストレーション, セグメンテーション, 血行動態など, いくつかの研究の進展につながる可能性がある。
関連論文リスト
- From Fibers to Cells: Fourier-Based Registration Enables Virtual Cresyl Violet Staining From 3D Polarized Light Imaging [32.73124984242397]
脳の微細構造の様々な側面を包括的に評価するには、補完的なイメージング技術を用いる必要がある。
細胞構造解析における金の標準は、細胞体染色組織の光顕微鏡イメージングである。
画像間翻訳の深層学習手法を利用して,空間的に細胞レベルで整列した3D-PLIの仮想染色を生成する。
論文 参考訳（メタデータ） (2025-05-16T15:59:15Z) - Learning Wall Segmentation in 3D Vessel Trees using Sparse Annotations [0.04487265603408873]
本研究は,頸動脈壁の3次元セグメンテーションを訓練するために,臨床研究からスパースアノテーションを用いた新しいアプローチを提案する。
中心的アノテーションを用いて頸動脈の垂直断面を採取し,対向2Dネットワークを用いて分類する。
これらのアノテーションは、3D畳み込みニューラルネットワークのトレーニングのために3D擬似ラベルに変換され、手動の3Dマスクの作成を回避する。
論文 参考訳（メタデータ） (2025-02-18T12:05:27Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳（メタデータ） (2023-09-25T19:34:12Z) - 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) - Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
論文 参考訳（メタデータ） (2023-08-03T21:56:50Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - 3D Matting: A Benchmark Study on Soft Segmentation Method for Pulmonary
Nodules Applied in Computed Tomography [32.775884701366465]
医用画像中の病変を3D領域に導入し,αマット(ソフトマスク)を用いて3D画像に病変を記述した。
この問題に対処するため,従来手法と深層学習法の両方を含む3Dマッティングの総合的研究を行った。
本稿では,最初のエンドツーエンドの3次元画像マッチングネットワークを提案し,医用3次元画像マッチングベンチマークを実装した。
論文 参考訳（メタデータ） (2022-10-11T02:40:18Z) - A deep learning model for brain vessel segmentation in 3DRA with
arteriovenous malformations [0.46180371154032895]
本稿では,bAVM患者の3DRA画像における血管セグメンテーションに関する最初のディープラーニングモデルを提案する。
我々は、bAVMケースの5つの3DRAボリュームを密に注釈付けし、これらを使用して、異なるセグメンテーション目的の2つの代替3DUNetベースのアーキテクチャをトレーニングしました。
以上の結果から,bAVM解析の網羅的網羅的網羅的網羅的網羅性は,標準手法よりもはるかに良好であることが示唆された。
論文 参考訳（メタデータ） (2022-10-05T17:35:56Z) - PC-U Net: Learning to Jointly Reconstruct and Segment the Cardiac Walls
in 3D from CT Data [18.941064150226236]
2次元CTスライスから直接LV MYO壁の点雲を直接再構成するPC-Uネットを提案する。
提案したPC-Uネットの協調学習フレームワークは,自動心画像解析タスクに有用である。
論文 参考訳（メタデータ） (2020-08-18T23:37:05Z) - Deep Negative Volume Segmentation [60.44793799306154]
対象物を取り囲むすべての組織間で空の空間を分割する3Dセグメント化タスクに対する新しい角度を提案する。
我々のアプローチは骨分割のためのV-Netを含むエンドツーエンドパイプラインである。
顎顔面領域の専門医が注釈を付した50名の患者データセットにおけるCTスキャンの考え方を検証した。
論文 参考訳（メタデータ） (2020-06-22T16:55:23Z)
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。