論文の概要: From Lines to Shapes: Geometric-Constrained Segmentation of X-Ray Collimators via Hough Transform
- arxiv url: http://arxiv.org/abs/2509.04437v1
- Date: Thu, 04 Sep 2025 17:53:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-05 20:21:10.246726
- Title: From Lines to Shapes: Geometric-Constrained Segmentation of X-Ray Collimators via Hough Transform
- Title（参考訳）: 線から形状へ:ハフ変換によるX線コリメータの幾何学的制約セグメンテーション
- Authors: Benjamin El-Zein, Dominik Eckert, Andreas Fieselmann, Christopher Syben, Ludwig Ritschl, Steffen Kappler, Sebastian Stober,
- Abstract要約: X線画像の衝突は、関心領域(ROI)への曝露を制限し、患者に適用される放射線線量を最小限にする。
我々は、その幾何学に本質的に制約された深層学習に基づくセグメンテーションを導入する。
我々は,実X線画像の多彩なテストセットに対して,中央値のハウスドルフ距離4.3-5.0mmのコリメート領域の頑健な再構成を実証した。
- 参考スコア（独自算出の注目度）: 2.289908748072682
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collimation in X-ray imaging restricts exposure to the region-of-interest (ROI) and minimizes the radiation dose applied to the patient. The detection of collimator shadows is an essential image-based preprocessing step in digital radiography posing a challenge when edges get obscured by scattered X-ray radiation. Regardless, the prior knowledge that collimation forms polygonal-shaped shadows is evident. For this reason, we introduce a deep learning-based segmentation that is inherently constrained to its geometry. We achieve this by incorporating a differentiable Hough transform-based network to detect the collimation borders and enhance its capability to extract the information about the ROI center. During inference, we combine the information of both tasks to enable the generation of refined, line-constrained segmentation masks. We demonstrate robust reconstruction of collimated regions achieving median Hausdorff distances of 4.3-5.0mm on diverse test sets of real Xray images. While this application involves at most four shadow borders, our method is not fundamentally limited by a specific number of edges.
- Abstract（参考訳）: X線画像の衝突は、関心領域(ROI)への曝露を制限し、患者に適用される放射線線量を最小限にする。
コリメータ陰影の検出は、X線散乱によりエッジが隠蔽される際の課題を呈するデジタルラジオグラフィーにおいて、必須の画像ベースの前処理ステップである。
いずれにせよ、コリメーションが多角形の影を形成するという以前の知識は明らかである。
このため,本研究では,その幾何学に本質的に制約された深層学習に基づくセグメンテーションを導入する。
本研究では,Hough変換を基本としたネットワークを組み込むことで,コリメーション境界を検知し,ROI中心に関する情報を抽出する能力を高める。
推論中、両方のタスクの情報を組み合わせて、洗練されたライン制約付きセグメンテーションマスクを生成する。
我々は,実X線画像の多彩なテストセットに対して,中央値のハウスドルフ距離4.3-5.0mmのコリメート領域の頑健な再構成を実証した。
この応用は、少なくとも4つのシャドウ境界を含むが、我々の方法は、特定の数のエッジによって基本的に制限されない。
関連論文リスト
- X-Field: A Physically Grounded Representation for 3D X-ray Reconstruction [25.13707706037451]
医療診断にはX線撮影が不可欠であるが、その使用は潜在的な健康リスクのために厳しく規制されている。
最近の研究は、スパース入力から新しいビューを生成し、CT(Computed Tomography)ボリュームを再構築することに焦点を当てている。
我々はX線画像に特化して設計された最初の3D表現であるX-Fieldを紹介する。
論文 参考訳（メタデータ） (2025-03-11T16:31:56Z) - Fan-Beam CT Reconstruction for Unaligned Sparse-View X-ray Baggage Dataset [0.0]
不整合多視点X線バッグデータを用いたキャリブレーションと再構成手法を提案する。
提案手法は,多スペクトル神経減衰場再構成とLinear pushbroom (LPB) カメラモデルを用いたポーズ最適化を組み合わせたものである。
論文 参考訳（メタデータ） (2024-12-04T05:16:54Z) - RayEmb: Arbitrary Landmark Detection in X-Ray Images Using Ray Embedding Subspace [0.7937206070844555]
術前CTによるX線画像の術中2D-3D記録は整形外科手術において極めて重要である。
本稿では,X線画像中の任意のランドマーク点を検出することで,この問題に対処する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-10T17:36:21Z) - CoCPF: Coordinate-based Continuous Projection Field for Ill-Posed Inverse Problem in Imaging [78.734927709231]
スパース・ビュー・コンピュート・トモグラフィー(SVCT)の再構成は,スパース・サンプリングによるCT画像の取得を目的としている。
暗黙的な神経表現(INR)技術は、不備のため、その分野に「かなりの穴」(すなわち、未モデル化空間)を残し、準最適結果をもたらす可能性がある。
SVCT再構成のためのホールフリー表現場を構築することを目的としたコーディネート型連続射影場(CoCPF)を提案する。
論文 参考訳（メタデータ） (2024-06-21T08:38:30Z) - Radiative Gaussian Splatting for Efficient X-ray Novel View Synthesis [88.86777314004044]
我々は,X線ノベルビュー可視化のための3次元ガウシアンスプラッティングに基づくフレームワーク,すなわちX-ガウシアンを提案する。
実験の結果,X-Gaussianは6.5dBの最先端手法より優れており,トレーニング時間は15%未満であり,推論速度は73倍であることがわかった。
論文 参考訳（メタデータ） (2024-03-07T00:12:08Z) - Adaptive Shells for Efficient Neural Radiance Field Rendering [92.18962730460842]
本稿では, 表面および表面のレンダリングを円滑に遷移させるニューラル放射率の定式化を提案する。
我々の手法は、非常に高い忠実度で効率的なレンダリングを可能にする。
また,抽出したエンベロープは,アニメーションやシミュレーションなどの下流アプリケーションを可能にすることを示す。
論文 参考訳（メタデータ） (2023-11-16T18:58:55Z) - MedNeRF: Medical Neural Radiance Fields for Reconstructing 3D-aware
CT-Projections from a Single X-ray [14.10611608681131]
過剰な電離放射線は、体に決定論的かつ有害な影響をもたらす可能性がある。
本稿では,CTプロジェクションの再構成を学習する深層学習モデルを提案する。
論文 参考訳（メタデータ） (2022-02-02T13:25:23Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳（メタデータ） (2021-04-11T09:16:29Z) - From Perspective X-ray Imaging to Parallax-Robust Orthographic Stitching [47.44626333193997]
本研究では、フーリエスライス定理を利用してパララックスフリー領域における多重伝送画像からの情報を集約する。
縫合画像のセマンティクスは、周波数を中心に設計された類似度を利用した新しい深層学習戦略を用いて復元される。
我々のパイプラインは、画像の縫合だけでなく、2次元画像平面上で、臨床的に関係のある量の計量測定を可能にするホログラフィック再構成も提供する。
論文 参考訳（メタデータ） (2020-03-05T23:16:48Z)
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。