CNN-based Cardiac Motion Extraction to Generate Deformable Geometric Left Ventricle Myocardial Models from Cine MRI
원문 초록
Patient-specific left ventricle (LV) myocardial models have the potential to be used in a variety of clinical scenarios for improved diagnosis and treatment plans. Cine cardiac magnetic resonance (MR) imaging provides high resolution images to reconstruct patient-specific geometric models of the LV myocardium. With the advent of deep learning, accurate segmentation of cardiac chambers from cine cardiac MR images and unsupervised learning for image registration for cardiac motion estimation on a large number of image datasets is attainable. Here, we propose a deep leaning-based framework for the development of patient-specific geometric models of LV myocardium from cine cardiac MR images, using the Automated Cardiac Diagnosis Challenge (ACDC) dataset. We use the deformation field estimated from the VoxelMorph-based convolutional neural network (CNN) to propagate the isosurface mesh and volume mesh of the end-diastole (ED) frame to the subsequent frames of the cardiac cycle. We assess the CNN-based propagated models against segmented models at each cardiac phase, as well as models propagated using another traditional nonrigid image registration technique.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
Holistic Fusion: 팩터 그래프 기반 작업 및 설정에 구애받지 않는 로봇 위치 추정 및 상태 추정
Holistic Fusion: Task- and Setup-Agnostic Robot Localization and State Estimation with Factor Graphs
도전적인 환경에서 이동 로봇의 원활한 운용을 위해서는 저지연 국소 운동 추정과 정확한 전역 위치 추정이 필요하다. 대부분의 센서 융합(sensor fusion) 접근법은 특정 시나리오를 위해 설계되지만, 본 연구는 일반성과 사용성을 특징으로 하는 작업 및 설정에 구애받지 않는 다중모달 센서 융합을 위한 유연한 오픈소스 솔루션을 제안한다. Holistic Fusion은 센서 융합을 i) 국소 및 전역 로봇 상태와 ii) (이론적으로 무제한적인 수의) 동적 변수(기준 좌표계의 자동 정렬 포함)의 결합 추정 문제로 공식화한다. 이 공식화는 개념적 수정 없이 수많은 실세계 응용에 적용 가능하며, 하드코딩된/작업 특화 접근법을 넘어서는 포괄적 솔루션을 제공한다. 제안된 팩터 그래프(factor graph) 공식화는 서로 다른 좌표계에 대해 표현된 임의 개수의 절대, 국소, 랜드마크(landmark) 측정값을 최적화(optimization)의 상태로 명시적으로 포함하고 그 진화를 랜덤 워크(random walk)로 모델링함으로써 직접 융합할 수 있게 한다. 또한 추정 점프를 방지하기 위해 국소적 평활성과 일관성에 특별한 주의를 기울인다. Holistic Fusion은 일반적인 로봇 하드웨어에서 저지연且 부드러운 온라인 상태 추정을 가능하게 하면서 동시에 IMU 측정 속도에서 저드리프트(low-drift) 전역 위치 추정을 제공한다. 공개된 이 프레임워크 [1]의 효과는 서로 다른 작업 요구사항을 갖는 세 가지 로봇 플랫폼에서 다섯 가지 실세계 시나리오를 통해 입증되며, 다양한 절대 측정 유형의 융합 이점 [2]을 강조한다. [1] 코드: https://github.com/leggedrobotics/holistic_fusion [2] 프로젝트: https://leggedrobotics.github.io/holistic_fusion
OncoReg: 종양학적 챌린지를 위한 의료 영상 정합
OncoReg: Medical Image Registration for Oncological Challenges
현대 암 연구에서 생성되는 방대한 양의 의료 데이터는 환자 프라이버시와 관련된 문제로 인해 종종 활용되지 못합니다. OncoReg 챌린지는 환자 프라이버시를 보장하면서 더 일반화 가능한 AI 모델의 개발을 촉진하는 2단계 프레임워크를 통해 연구자들이 영상 정합 방법을 개발하고 검증할 수 있도록 하여 이 문제를 해결합니다. 1단계에서는 공개적으로 이용 가능한 데이터셋을 사용하고, 2단계에서는 보안된 병원 네트워크 내의 비공개 데이터셋에서 모델을 학습하는 데 중점을 둡니다. OncoReg는 Learn2Reg 챌린지가 확립한 기반을 바탕으로 구축되었으며, 방사선 치료에서 중재용 원뿔형 빔 컴퓨터 단층 촬영(CBCT)과 표준 계획용 팬빔 CT 영상의 정합을 통합합니다. 정확한 영상 정합은 종양학에서 매우 중요하며, 특히 영상 유도 방사선 치료(IGRT)에서의 동적 치료 조정에 있어서 건강한 조직에 대한 방사선 노출을 최소화하면서 종양을 효과적으로 표적화하기 위해 정밀한 정렬이 필요합니다. 이 연구는 OncoReg 챌린지의 배경이 되는 방법론과 데이터를 상세히 설명하고 대회 참가작과 결과에 대한 포괄적인 분석을 제공합니다. 연구 결과에 따르면 특징 추출이 이 정합 작업에서 핵심적인 역할을 한다는 것이 밝혀졌습니다. 이 챌린지에서 등장한 새로운 방법은 그 다재다능함을 입증했으며, 기존의 접근 방식은 최신 기술과 비슷한 성능을 계속해서 발휘하고 있습니다. 심층 학습과 고전적 접근 방식 모두 여전히 영상 정합에서 중요한 역할을 하며, 특히 특징 추출에서 방법들의 결합이 가장 효과적인 것으로 입증되었습니다.
Are Vision Foundation Models Ready for Out-of-the-Box Medical Image Registration?
HiM2SAM: Enhancing SAM2 with Hierarchical Motion Estimation and Memory Optimization towards Long-term Tracking
EndoMUST: Monocular Depth Estimation for Robotic Endoscopy via End-to-end Multi-step Self-supervised Training
Geometry Reduced Order Modeling (GROM) with application to modeling of glymphatic function
토론
이 논문과 연결된 포럼 글이 아직 없습니다.