arXiv:2402.09636

Spatiotemporal Disentanglement of Arteriovenous Malformations in Digital Subtraction Angiography

Kathleen Baur, Xin Xiong, Erickson Torio, Rose Du, Parikshit Juvekar, Reuben Dorent, Alexandra Golby, Sarah Frisken, Nazim Haouchine

제출 2024-02-15

원문 초록

Although Digital Subtraction Angiography (DSA) is the most important imaging for visualizing cerebrovascular anatomy, its interpretation by clinicians remains difficult. This is particularly true when treating arteriovenous malformations (AVMs), where entangled vasculature connecting arteries and veins needs to be carefully identified.The presented method aims to enhance DSA image series by highlighting critical information via automatic classification of vessels using a combination of two learning models: An unsupervised machine learning method based on Independent Component Analysis that decomposes the phases of flow and a convolutional neural network that automatically delineates the vessels in image space. The proposed method was tested on clinical DSA images series and demonstrated efficient differentiation between arteries and veins that provides a viable solution to enhance visualizations for clinical use.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.22635v1eess.IV공통 태그 Anatomy, Disentanglement

AWR-Net: 3차원 태아 뇌 초음파 합성을 위한 해부학적 구조와 외형 분리

AWR-Net: Decoupling Anatomy and Appearance for 3D Fetal Brain Ultrasound Synthesis

3차원 태아 뇌 초음파(ultrasound)는 비전리 방사선이며 비용 효율적인 영상 기법으로, 포괄적인 해부학적 평가를 위한 풍부한 공간 정보를 제공하지만, 데이터와 주석(annotation)의 부족으로 인해 그 발전이 제한되어 왔다. 이와 대조적으로, 태아 뇌 자기공명영상(magnetic resonance imaging, MRI)은 더 큰 데이터셋과 성숙한 분석 방법에 힘입어 더 발전된 상태이다. 이러한 자원을 활용하기 위해, 해부학적 레이블 맵(label map)은 태아 뇌 MRI에서 초음파로 지식을 전이하기 위한 유망한 모달리티 불변(modality-invariant) 가교 역할을 한다. 그러나 해부학적 구조가 초음파의 외형과 밀접하게 얽혀 있기 때문에 레이블 맵으로부터 초음파 영상을 생성하는 것은 여전히 어려운 과제로 남아 있다. 이 문제를 해결하기 위해, 우리는 해부학적 대응 관계 학습과 초음파 외형 적응을 데이터 수준과 모델 수준 모두에서 분리한다. 구체적으로, 우리는 웨이블릿 확산(wavelet diffusion)과 잔차 정제(residual refinement)를 결합한 2단계 프레임워크인 해부학적 웨이블릿 잔차 네트워크(anatomy wavelet residual network)를 제안한다. 첫 번째 단계는 웨이블릿 영역에서 아틀라스(atlas) 쌍을 이용해 레이블 맵으로부터 볼륨을 생성하도록 학습하고, 두 번째 단계는 이미지 영역에서 실제 임상 초음파로부터 유계(bounded) 잔차 보정을 학습한다. 이러한 분리를 통해 정상 및 비정상 해부학적 구조를 일관되게 보존하면서 사실적인 합성이 가능해진다. 실제 태아 뇌 초음파에 대한 실험 결과, 제안하는 방법은 대표적인 합성 방법들보다 우수한 성능을 보였으며, 정규화된 상호상관(normalized cross correlation)은 0.518로 가장 강력한 기준선(baseline)의 0.482 대비 우수했고, 프레셰 인셉션 거리(Fréchet Inception Distance)는 8.905로 가장 강력한 기준선의 13.319 대비 우수했다. 합성 품질을 넘어, 태아 뇌 MRI 레이블 맵으로부터 생성된 볼륨은 특히 중증 비정상 사례에서 다운스트림 분할(segmentation) 성능도 향상시켰다. 종합적으로, 이러한 결과는 제안된 프레임워크가 풍부한 태아 뇌 MRI 자원을 활용하여 3차원 초음파 분석을 발전시킬 잠재력을 지니고 있음을 보여준다.

arXiv:2607.23657v1cs.CV공통 태그 Anatomy, Disentanglement

GRAPE: 관절형 초상화 메쉬 추정을 위한 Graduated Routing

GRAPE: Graduated Routing for Articulated Portrait mesh Estimation

관절형 초상화 메쉬 추정은 3D 이해, 아바타 생성, 몰입형 상호작용의 기본이 된다. 기존 접근법은 주로 3D Morphable Models(3DMM)에 의존한다. 그러나 얼굴 중심 모델은 "floating head" 가정으로 인해 목 관절 운동학(kinematics) 부재로 머리 자세와 전역 회전을 혼동하는 문제가 있다. 반대로 신체 중심 모델은 고충실도 얼굴 표정 능력이 부족하다. 또한 현재 방법들은 표현 블렌드셰이프(expression blendshape)와 턱 관절(jaw articulation)을 분리하는 데 어려움을 겪으며, 입 벌림에 표정에 과도하게 의존하는 경우가 많다. 이러한 한계로 인해 단안(monocular) 초상화 복원은 표현, 지도(supervision), 해부학적 매개변수 추정 측면에서 어렵다. 이러한 한계를 해결하기 위해 GRAPE(Graduated Routing for Articulated Portrait mesh Estimation)를 제안한다. 우리는 명시적인 몸통-머리 운동학 체인과 FLAME과 SMPL-X 몸통을 병합하는 정규(canonical) 주입 단계를 갖춘 Portrait Parametric Model(PPM)을 구축한다. 또한 사전학습된 초상화 인코더, Graduated-Mask Router, 초상화 해부학적 사전지식(prior)을 따르는 coarse-to-fine 전문가로 구성된 Progressive Anatomical Alignment(PAA) 네트워크를 제안한다. 그런 다음 희소 해부학적 키포인트, 특징 증류(feature distillation), 전경 마스크 제약, 상대 기하 제약을 결합한 다중 소스 지도로 이 네트워크를 학습한다. 실험 결과 GRAPE는 기존 방법 대비 초상화 메쉬 복원 품질, 자세 정렬, 턱-표정 분리를 개선함을 보여준다. 또한 우리 방법이 오디오 기반 talking-head 생성 및 3D 초상화 생성과 같은 하위 작업에 도움이 될 수 있음을 보여준다.

arXiv:2603.04113v2cs.CV공통 태그 Anatomy, Disentanglement

해부학과 콘트라스트 분리를 통한 뇌 MRI 인구통계 예측 가능성 원인 이해

Understanding Sources of Demographic Predictability in Brain MRI via Disentangling Anatomy and Contrast

의료 영상에서 인구통계적 속성을 예측할 수 있어 임상 AI 시스템의 바이어스에 대한 우려가 제기되고 있다. X-ray 영상에서는 촬영(acquisition) 특성이 이러한 예측 가능성에 상당히 기여하는 것으로 나타났다. 뇌 MRI에서도 동일한 현상이 성립하는지는 불분명한데, 해부학적 변이와 촬영에 따른 콘트라스트가 영상 형성 과정에서 깊이 얽혀 있어 인구통계 신호의 기원을 가리기 때문이다. 이를 해결하기 위해, 우리는 분리 표현 학습(disentangled representation learning)에 기반한 통제 프레임워크를 제안하며, 뇌 MRI를 촬영 영향을 억제하는 해부학 중심 표현과 촬영 의존적 특성을 포착하는 콘트라스트 임베딩(embedding)으로 분해한다. 전체 영상, 해부학적 표현, 콘트라스트 임베딩에 대해 연령, 성별, 인종 예측 모델을 학습함으로써 구조와 촬영이 인구통계 신호에 기여하는 상대적 기여도를 정량화할 수 있다. 세 개의 데이터셋과 다양한 MRI 시퀀스에 걸쳐, 인구통계 예측 가능성은 주로 해부학적 변이에 의해 좌우되는 것으로 나타났으며, 해부학 중심 표현은 원본(raw) 영상으로 학습한 모델의 성능을 대체로 유지한다. 콘트라스트 임베딩은 더 약한 신호를 보유하며, 이는 데이터셋 특이적이고 기관(site) 간 일반화되지 않는다. 이러한 결과는 효과적인 완화(mitigation)가 인구통계 신호의 주된 해부학적 기원과 부차적인 촬영 의존적 기원을 명시적으로 고려해야 하며, 바이어스 감소가 도메인 간에 견고하게 일반화되도록 보장해야 함을 시사한다.

arXiv:2607.12602v1cs.CV공통 태그 Anatomy, Disentanglement

분리와 추론: 3D 흉부 CT에서 자유 텍스트 소견의 해부학적 가이드 2단계 복셀 수준 그라운딩

Decouple and Reason: Anatomically Guided Two-Stage Voxel-Level Grounding of Free-Text Findings in 3D Chest CT

3D 흉부 컴퓨티드 토모그래피(CT) 영상에서 자유 텍스트 소견을 복셀 수준으로 그라운딩하는 것은 임상적 해석 가능성에 매우 중요하다. 그러나 대규모 3D 볼륨의 복잡한 공간적 복잡성과 자유 텍스트 소견의 이질성으로 인해 이 과제는 여전히 매우 어렵다. 기존 end-to-end 접근법은 정확한 3D 분할에 필요한 국소 특징 표현과 텍스트 정렬에 필요한 복잡한 의미 이해를 동시에 학습하는 데 어려움을 겪는 경우가 많아, 그라운딩 성능이 최적에 미치지 못한다. 이 근본적 한계를 극복하기 위해, 우리는 문제를 두 개의 전문화된 단계로 분리하는 새로운 분리형 프레임워크를 제안한다: (1) 클래스 무관 병변 분할 및 (2) 텍스트-볼륨 추론. 이 구조적 분리는 모델이 잠재적 이상 소견을 국소화하여 후보 부분 볼륨을 먼저 추출할 수 있게 한다. 이후 집중적인 크로스모달 추론을 수행하여 이러한 국소화된 부분 볼륨을 자유 텍스트 의료 소견과 정렬한다. 국소 영역에 내재된 공간적 모호성을 해결하기 위해, 추론 모듈은 상대적 공간 좌표와 폐엽 사전 정보를 활용한 명시적 해부학적 가이드를 보강한다. ReXGroundingCT 벤치마크에서 평가한 결과, 우리 방법은 공식 리더보드에서 전체 그라운딩 품질 기준 최첨단 성능을 달성한다. 이 결과는 검출과 추론을 분리하는 것이 3D 의료 시각 그라운딩의 복잡성을 다루는 데 매우 효과적인 패러다임임을 보여준다. 우리 코드는 https://github.com/khuhm/DAGG 에서 공개적으로 이용할 수 있다.

arXiv:2606.26764v1cs.CV공통 태그 Anatomy, Disentanglement

제어 가능한 4D 심장 MRI 합성을 위한 해부학 가이드 잔차 모션 확산

Anatomy-Guided Residual Motion Diffusion for Controllable 4D Cardiac MRI Synthesis

4D(3D + 시간) 의료 영상을 위한 견고한 인공지능 모델 개발은 주석 데이터의 부족, 기기 간 도메인 이동, 및 개인정보 보호 제약으로 제한된다. 이를 해결하기 위해, 해부학적으로 일관된 데이터 증강을 위한 4D 제어 가능 생성 프레임워크를 제안한다. 반지도 학습 변분 오토인코더(VAE)가 통합 프레임워크에서 정렬된 분할(segmentation) 마스크를 공동으로 예측하면서 해부학적 볼륨의 compact한 잠재 표현을 학습한다. 해부학적 구조는 이어지는 잠재 확산 모델(LDM)을 통해 시간적 역학과 분리된다. 정적 LDM은 임상 사전 정보(진단 및 부피 측정값)를 조건으로 피험자별 해부학을 생성하고, 후속 모션 LDM은 잔차 잠재 운동을 추정하여 4D 시퀀스 전반에 걸친 엄격한 시간적 일관성을 보장한다. 제안 방법은 대표적인 4D 영상 응용인 cine 심장 MRI에서 평가되었다. 여러 데이터셋에 �친 실험은 정적 해부학의 높은 제어 가능성(Pearson r > 0.8)과 강한 시간적 일관성(FVD = 288.08)을 보여준다. 교차 제조사 일반화 실험에서, 합성 4D 시퀀스로 학습 세트를 증강하면 하위 분할 성능이 크게 향상된다. nnU-Net을 사용하여, 제안 증강 전략은 실제 데이터만으로 학습한 것과 비교하여 평균 Dice 점수를 1.4% 향상시키고 Hausdorff Distance를 3.0mm 감소시킨다. 좌심실(left ventricle)의 경우 Dice는 2.8% 향상되고 경계 오류는 5.4mm 감소한다. 전반적으로, 이 프레임워크는 4D 의료 영상 합성을 위한 확장 가능하고 제어 가능한 솔루션을 제공하며, 제한된 주석과 교차 제조사 가변성 하에서 더 견고한 모델 개발을 지원한다. 코드는 https://github.com/cyiheng/4DCardiacMRISynthesis 에서 제공된다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.