論文の概要: Raysemble: Metric 3D Bone Reconstruction from a Single X-ray
- arxiv url: http://arxiv.org/abs/2611.16869v1
- Date: Thu, 12 Nov 2026 14:38:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.486794
- Title: Raysemble: Metric 3D Bone Reconstruction from a Single X-ray
- Title(参考訳): 片方のX線による3次元骨の再構築
- Abstract要約: レイサンブルは単一のX線から8つの腰椎骨と骨盤骨を再構築する。
それぞれの3Dクエリは、そのイメージプロジェクションで地域的およびグローバルな特徴をサンプリングする。
同じ入力で、VolumeNeRFよりもDiceを5.86ポイント改善する。
- 参考スコア(独自算出の注目度): 5.743318484389104
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Raysemble reconstructs eight lumbar and pelvic bones from a single X-ray by separating shape and placement. Each 3D query samples regional and global features at its image projection. A shared decoder predicts normalized bone shapes. Predicted depth and camera geometry determine 3D centers and scales for resampling these shapes onto a common grid in millimeters. Evaluation uses 23 held-out patients with 43 CT scans, each generating one simulated anteroposterior radiograph. Without rigid alignment to CT,Raysemble leads 15 evaluated methods, averaging 65.24% Dice, 9.09 mm HD95, and 3.32 mm ASSD over three random seeds. With identical inputs, it improves Dice over VolumeNeRF by 5.86 percentage points.
- Abstract(参考訳): レイサンブルは、形状と配置を分離することにより、単一のX線から8つの腰椎骨と骨盤骨を再構築する。
それぞれの3Dクエリは、そのイメージプロジェクションで地域的およびグローバルな特徴をサンプリングする。
共有復号器は正常化された骨形状を予測する。
予測深度とカメラの幾何学は、これらの形状をミリメートルの共通の格子に再サンプリングするための3D中心とスケールを決定する。
評価では, 43例のCT検査を行った23例を用いて, それぞれ1例のシミュレートされた後頭葉X線撮影を行った。
CTに厳密なアライメントがなければ、Raysembleは15の評価手法を導いており、平均65.24%のDice、9.09 mm HD95、および3つのランダムな種に対して3.32 mm ASSDが使用されている。
同じ入力で、VolumeNeRFよりもDiceを5.86ポイント改善する。
関連論文リスト
- Rendering Novel Views of MRI Using 3D Gaussian Splatting [54.6286495315908]
3D Gaussian Splatting を用いて, スパース異方性MRIから画像再構成を行い, 臨床評価に関係する解剖学的に整合した画像面を採取, 描画した。
新しいビュープレーンは対象解剖の診断に最適であるが、元のMRIはそうではない。
論文 参考訳(メタデータ) (2026-06-24T18:00:03Z) - MInDI-3D: Iterative Deep Learning in 3D for Sparse-view Cone Beam Computed Tomography [0.023856101317606432]
MInDI-3Dは実世界のスパースビューコーンビームCT(CBCT)アーティファクト除去のための最初の3次元条件拡散モデルである。
以上よりMInDI-3Dの有効性が示され,12.96 (6.10) dB PSNR が未修正スキャンより向上した。
臨床医は、すべての解剖学的部位にまたがる患者の位置決めに十分なモデルとして、我々のモデルを評価した。
論文 参考訳(メタデータ) (2025-08-13T08:49:18Z) - 3D Spine Shape Estimation from Single 2D DXA [49.53978253009771]
2次元DXAスキャンから3次元スピン形状を推定する自動フレームワークを提案する。
我々はDXAスキャンから脊椎の矢状視界を明示的に予測することでこれを実現する。
論文 参考訳(メタデータ) (2024-12-02T13:58:26Z) - 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) - Geometry-Aware Attenuation Learning for Sparse-View CBCT Reconstruction [53.93674177236367]
Cone Beam Computed Tomography (CBCT) は臨床画像撮影において重要な役割を担っている。
従来の方法では、高品質な3D CBCT画像の再構成には数百の2次元X線投影が必要である。
これにより、放射線線量を減らすため、スパースビューCBCT再構成への関心が高まっている。
本稿では,この問題を解決するために,新しい幾何対応エンコーダデコーダフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-26T14:38:42Z) - Hierarchical 3D Feature Learning for Pancreas Segmentation [11.588903060674344]
MRIとCTの両方から膵分画を自動化する3D完全畳み込み型深層ネットワークを提案する。
本モデルでは,Diceスコアが約88%と,既存のCT膵セグメンテーション法よりも優れていた。
さらなる制御実験により、達成された性能は、我々の3次元完全畳み込み深層ネットワークと階層的表現復号化の組み合わせによるものであることが示された。
論文 参考訳(メタデータ) (2021-09-03T09:27:07Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z) - Pose-dependent weights and Domain Randomization for fully automatic
X-ray to CT Registration [51.280096834264256]
完全自動X線CT登録は、既存の強度ベース登録の範囲内での最初のアライメントを必要とする。
この作業は、エンドツーエンドの登録を可能にする新しい自動初期化を提供する。
ミリメートルにおける平均(+標準偏差)ターゲット登録誤差は、成功率92%の模擬X線に対して4.1 +- 4.3、成功率86.8%の実X線に対して4.2 +- 3.9であり、成功率は30mm未満の翻訳誤差と定義される。
論文 参考訳(メタデータ) (2020-11-14T12:50:32Z) - Automatic Segmentation, Localization, and Identification of Vertebrae in
3D CT Images Using Cascaded Convolutional Neural Networks [22.572414102512358]
本稿では, 3次元CT画像における椎骨の自動分割, 局所化, 同定の方法を提案する。
提案手法は,すべてのタスクを仮定なしで単一のマルチステージフレームワークで処理する。
平均Diceスコアは96%,平均定位誤差は8.3mm,平均識別率は84%であった。
論文 参考訳(メタデータ) (2020-09-29T06:11:37Z) - Estimating and abstracting the 3D structure of bones using neural
networks on X-ray (2D) images [0.0]
骨の3次元構造を2次元X線画像から推定する深層学習法を提案する。
我々の予測では, 平均根平均平方(RMS)距離が1.08mmであり, 他の8つの3次元骨再建法により得られた平均誤差よりも精度が高い。
論文 参考訳(メタデータ) (2020-01-16T20:41:17Z)
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。