首页/论文/2006.15330

arXiv 2006.153302020-06-27physics.med-phcs.CVeess.IV

脊柱CT数据中患者位置的自动估计工具

A Tool for Automatic Estimation of Patient Position in Spinal CT Data

Brno University of Technology（布尔诺理工大学）

Roman Jakubicek, Tomas Vicar, Jiri Chmelik

备注：: 6 pages, 3 figures, submitted on EMBEC 2020; the paper has not been reviewed yet

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

许多最近可用的研究和挑战数据缺乏包含有关患者位置的任何信息的元数据。本文介绍了一种工具，自动旋转CT数据到一个标准化的（HFS）病人的立场。该方法基于CNN对旋转角度的预测，取得了接近完美的结果，准确率为99.55%。我们为Matlab和Python（PyTorch）提供了易于使用的示例，例如，可以用于VerSe2020挑战数据的自动旋转校正。

英文摘要：

Much of the recently available research and challenge data lack the meta-data containing any information about the patient position. This paper presents a tool for automatic rotation of CT data into a standardized (HFS) patient position. The proposed method is based on the prediction of rotation angle with CNN, and it achieved nearly perfect results with an accuracy of 99.55 %. We provide implementations with easy to use an example for both Matlab and Python (PyTorch), which can be used, for example, for automatic rotation correction of VerSe2020 challenge data.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

全尺度拓扑优化设计的解剖与力学适配患者特异性脊柱融合笼

Anatomically and mechanically conforming patient-specific spinal fusion cages designed by full-scale topology optimization

本研究提出全尺度拓扑优化设计脊柱融合笼，考虑相邻骨结构响应并施加主应变约束，所得解剖与力学适配笼显著降低下沉风险，并经增材制造与机械测试验证。

2024-06-25physics.med-ph

用于学习异质性脊髓解剖结构中非线性聚焦超声波传播的卷积深度算子网络

Convolutional Deep Operator Networks for Learning Nonlinear Focused Ultrasound Wave Propagation in Heterogeneous Spinal Cord Anatomy

Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）

针对聚焦超声治疗脊髓损伤时高保真模拟计算耗时长的问题，提出卷积深度算子网络（DeepONet）作为代理模型，仅需2%的损失即可实时预测患者脊髓中的非线性FUS压力场，加速了手术中的参数扫描。

2024-12-20cs.AIphysics.med-ph

半自动超声图像分析系统对COVID-19肺炎的分级诊断

A semi-automatic ultrasound image analysis system for the grading diagnosis of COVID-19 pneumonia

Tsinghua University（清华大学）；Capital Medical University（首都医科大学）；Beijing Ditan Hospital（北京地坛医院）

本文提出了一种基于肺部超声（LUS）图像中特定图像模式的定量表征的半自动系统，以评估COVID-19肺炎患者的肺部状况，以及区分严重/非严重病例。具体地，从每个LUS图像提取四个参数，即胸膜线的厚度（TPL）和粗糙度（RPL），以及B线的累积宽度（AWBL）和声学系数（ACBL）。本研究入组了27例患者，其中中度患者13例，重度患者7例，危重患者7例。此外，重度和危重患者被视为重度病例，中度患者被视为非重度病例。比较各组间的生物标志物。每个单一生物标志物和具有所有生物标志物作为输入的分类器分别用于严重病例和非严重病例的二元诊断。该分类器在所有比较的方法中实现了最佳的分类性能（受试者工作特征曲线下的面积= 0.93，灵敏度= 0.93，特异性= 0.85）。所提出的图像分析系统可潜在地应用于COVID-19肺炎患者的分级和预后评估。

2021-11-04cs.CVeess.IVphysics.med-ph

使用术前多模态MR图像进行胶质母细胞瘤生存预测的基于自动深度学习的工作流程

An automatic deep learning-based workflow for glioblastoma survival prediction using pre-operative multimodal MR images

我们提出了一种使用深度学习（DL）方法进行胶质母细胞瘤（GBM）生存预测的全自动工作流程。285例胶质瘤患者（210例GBM，75例低级别胶质瘤）被纳入。163例GBM患者有总生存期（OS）数据。每例患者术前均进行4次MR扫描，并手动绘制肿瘤轮廓。对于自动肿瘤分割，使用122名神经胶质瘤患者训练和验证3D卷积神经网络（CNN）。将训练的模型应用于剩余的163名GBM患者以生成肿瘤轮廓。分别使用明确设计的算法和预训练的CNN从自动轮廓中提取手工制作的和基于DL的放射组学特征。将163名GBM患者随机分为训练组（n=122）和测试组（n=41）进行生存分析。使用正则化技术训练Cox回归模型以构建手工制作的和基于DL的签名。评估并比较了两种特征的预后能力。3D CNN在163名GBM患者中实现了0.85的平均Dice系数，用于肿瘤分割。手工签名的C指数为0.64（95% CI：0.55-0.73），而基于DL的签名的C指数为0.67（95% CI：0.57-0.77）。与手工签名不同，基于DL的签名成功地将测试患者分为两个统计学上不同的组（p值<0.01，HR=2.80，95%CI：1.26-6.24）。所提出的3D CNN从四个MR图像生成准确的GBM肿瘤轮廓。与手工签名相比，基于DL的签名在更高的C指数和显著的患者分层方面导致更好的GBM生存预测。所提出的自动放射组学工作流程证明了改…

2020-01-30eess.IVphysics.med-ph

基于人工智能的医疗电子诊断快速自动测量正常压力脑积水患者的心室容积

AI-based Medical e-Diagnosis for Fast and Automatic Ventricular Volume Measurement in the Patients with Normal Pressure Hydrocephalus

The First Affiliated Hospital of Shenzhen University（深圳大学第一附属医院）；Shenzhen Second People's Hospital（深圳市第二人民医院）；University of California, San Diego（加州大学圣地亚哥分校）；University of the Basque Country (UPV/EHU)（巴斯克大学）；Royal Brompton Hospital（皇家布朗普顿医院）；National Heart and Lung Institute, Imperial College London（帝国理工学院国立心肺研究所）

基于正常压力脑积水（normal pressure hydrocephalus，NPH）患者的CT和MRI图像，利用机器学习方法，建立一种多模态、高性能的脑室自动分割方法，实现高效、准确的脑室容积自动测量。首先，我们提取了143例确诊的NPH患者的脑CT和MRI图像。其次，我们手动标记脑室容积（VV）和颅内容积（ICV）。然后，使用机器学习方法提取特征并建立自动心室分割模型。最后，验证了模型的可靠性，实现了VV和ICV的自动测量。在CT图像中，VV的自动和手动分割结果的Dice相似系数（DSC）、类内相关系数（ICC）、Pearson相关性和Bland-Altman分析分别为0.95、0.99、0.99和4.2 $\pm$ 2.6。ICV的结果分别为0.96、0.99、0.99和6.0 $\pm$ 3.8。整个过程需要3.4 $\pm$ 0.3秒。在MRI图像中，VV的自动和手动分割结果的DSC、ICC、Pearson相关性和Bland-Altman分析分别为0.94、0.99、0.99和2.0 $\pm$ 0.6。ICV的结果分别为0.93、0.99、0.99和7.9 $\pm$ 3.8。整个过程耗时1.9 $\pm$ 0.1秒。我们建立了一种多模态、高性能的心室自动分割方法，实现了NPH患者心室容积的高效、准确的自动测量。这可以帮助临床医生快速准确地了解NPH患者的心室情况。

2022-01-31cs.CVphysics.med-ph

癫痫患者海马的自动和手动分割MRI

Automatic and Manual Segmentation of Hippocampus in Epileptic Patients MRI

Rutgers University（罗格斯大学）；Henry Ford Health System（亨利·福特医疗系统）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Spectrum Health System（光谱健康系统）；Michigan State University（密歇根州立大学）；University of Tehran（德黑兰大学）

海马体是最常见的癫痫药物治疗形式的种子结构。海马的准确分割有助于建立关于大小和信号特征的不对称性，以揭示致癫痫性的可能部位。通过充分的改进，它可以最终帮助避免侵入性监测，其费用和风险对患者。为此，需要一种可靠且一致的方法用于从磁共振成像（MRI）分割海马。在这项工作中，我们提出了一个系统的和统计分析的方法来评估自动分割方法，以建立一个可靠的近似手动跟踪海马所取得的结果。

2016-10-26cs.CVphysics.med-ph

更多相关论文收起更多论文

使用图像配准自动标测心房纤维方向用于患者特定心脏电力学建模

Automatic Mapping of Atrial Fiber Orientations for Patient-Specific Modeling of Cardiac Electromechanics using Image-Registration

适当的局部纤维结构的知识是必要的，以模拟患者特定的人体心脏的机电。然而，目前还不可能可靠地测量体内纤维方向，特别是在人类心房中。因此，我们提出了一种方法，它定义了在任意形状的心房使用图像配准和重定向方法的基础上，与纤维预定义的详细的组织学观察图谱心房的纤维结构。因此，可以在自动化的、时间有效的过程中以每个新的患者特定几何形状生成详细的纤维族。我们证明了良好的性能的图像配准和纤维的定义上十个不同形状的人类心房。此外，我们还发现寰椎心房电生理激活模式的特征也出现在患者的心房中。我们得出类似的结论耦合机电血液动力学计算。

2018-12-05cs.CEphysics.med-ph

使用深度神经网络对肺部IMRT患者进行三维剂量预测：从异构射束扫描中进行鲁棒学习

Three-Dimensional Dose Prediction for Lung IMRT Patients with Deep Neural Networks: Robust Learning from Heterogeneous Beam Configurations

University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；Université catholique de Louvain（鲁汶天主教大学）；Cliniques universitaires Saint-Luc（圣吕克大学附属医院）；KU Leuven（鲁汶大学）

使用神经网络直接预测三维剂量分布的自动规划正变得流行。然而，现有的方法仅使用患者解剖结构作为输入，并假设训练数据库中所有患者的射束配置一致。这项工作的目的是开发一个更通用的模型，除了患者解剖结构外，还考虑了可变射束配置，以实现更全面的自动规划，具有潜在的更容易的临床实施，而不需要针对不同的射束设置训练特定模型。

2019-04-11cs.AIcs.CVcs.LG

用于高级脑肿瘤进展分析的MRI驱动的自动模型校准

Automatic MRI-Driven Model Calibration for Advanced Brain Tumor Progression Analysis

我们的目标是从一个单一的多参数扫描的数学肿瘤生长模型的校准。目标问题是术前胶质母细胞瘤（GBM）扫描的分析。为此，我们提出了一种全自动肿瘤生长校准方法，该方法将肿瘤进展的单物种反应扩散偏微分方程（PDE）模型与多参数磁共振成像（mpMRI）扫描相结合，以稳健地提取患者特异性生物标志物，即，估计（i）肿瘤细胞增殖速率，（ii）肿瘤细胞迁移速率，和（iii）肿瘤起始的原始局部位点。我们的方法是基于稀疏重建算法的肿瘤初始位置（TIL）。这个问题是特别具有挑战性的，由于非线性，不适定性和病态。我们提出了一个由粗到细的多分辨率延拓方案，参数分解，以稳定反演。我们证明了我们的方法的鲁棒性和实用性，通过将所提出的方法应用于206例GBM患者的临床数据。我们分析提取的生物标志物，并通过将前者映射到一个共同的图谱空间，将肿瘤起源与患者的总生存率联系起来。我们目前的初步结果表明，当一组影像学特征与估计的生物物理参数增强时，患者总生存率的预测准确性提高。所有提取的特征、肿瘤初始位置和生物物理生长参数都是公开的，以供进一步分析。据我们所知，这是第一个可以处理多灶性肿瘤的全自动方案，可以将TIL定位到几毫米。

2020-01-24eess.IVphysics.med-phq-bio.QM

在磁共振图像上使用U-网结构自动分割von Hippel-Lindau综合征患者的透明细胞肾细胞肿瘤、肾脏和囊肿

Automatic segmentation of clear cell renal cell tumors, kidney, and cysts in patients with von Hippel-Lindau syndrome using U-net architecture on magnetic resonance images

我们展示了在磁共振成像（MRI）上使用卷积神经网络（CNN）对von Hippel-Lindau（VHL）综合征患者的透明细胞肾细胞癌（ccRCC）、囊肿和周围正常肾实质的自动分割。从2015年到2021年，我们查询了115名VHL患者和117次扫描（3名患者进行了两次单独扫描），其中504例ccRCC和1171例囊肿。病变在T1排泄期手动分割，在所有对比增强T1序列上共配准，并用于训练2D和3D U-Net。在队列的10个随机分组上评价了U-Net性能。采用骰子相似系数（DSC）对模型进行评价。我们的2D U-Net实现了平均ccRCC病变检测曲线下面积（AUC）为0.88，肾脏、囊肿和肿瘤分割的DSC评分分别为0.78、0.40和0.46。我们的3D U-Net实现了肾脏、囊肿和肿瘤的平均ccRCC病变检测AUC为0.79，DSC评分分别为0.67、0.32和0.34。我们在MRI上使用U-Net对ccRCC进行了良好的检测和中等分割结果。正常肾实质、囊肿和肿块的自动检测和分割可以帮助放射科医生量化VHL患者的疾病负担。

2023-01-06physics.med-phq-bio.QM

肺部疾病计算机断层成像图像定量和自动分析的患者特异性方法：应用于COVID-19患者

A patient-specific approach for quantitative and automatic analysis of computed tomography images in lung disease: application to COVID-19 patients

肺计算机断层成像（CT）图像中的定量度量已被广泛使用，通常与生理学没有明确的联系。这项工作提出了一个独立于患者的模型，用于估计CT图像（WAVE）中肺部的良好通气量。将具有平均值（Mu.f）和宽度（Sigma.f）值的高斯拟合应用于肺部的较低CT直方图数据点，以提供良好通气肺体积（WAVE.f）的估计值。使用健康肺CT图像和4DCT采集分析了CT重建参数和呼吸周期的独立性。将为第三组COVID-19患者计算的高斯度量和一阶放射组学特征与相对于健康肺的那些进行比较。每个肺被进一步分割成24个子区域，并提出了一个新的生物标志物来自高斯拟合参数Mu.f来表示局部密度变化。在80%的病例中，WAVE.f与呼吸运动无关。比较中等迭代强度和FBP算法、1 mm和3 mm的切片厚度和不同的重建内核时，差异分别为1%、2%和高达14%。对于计算的所有指标，健康受试者与COVID-19患者存在显著差异。局部生物标志物的图形表示在单个2D图片中提供空间和定量信息。与其他基于固定直方图阈值的指标不同，该模型能够考虑受试者间和受试者内的变异性。此外，它定义了一个局部生物标志物，以量化疾病的严重程度，独立于观察者。

2021-01-12physics.med-phstat.ML

基于Hounsfield单位的放疗CT扫描乳腺体积密度自动评估

Hounsfield-based Automatic Evaluation of Volumetric Breast Density on Radiotherapy CT-Scans

本文提出一种基于放疗计划CT扫描和Hounsfield单位的乳腺体积密度自动评估方法，用于在治疗前识别辐射副作用高风险乳腺癌患者，以提供个体化风险获益信息。

2021-10-10physics.med-ph

使用JulianA为头颈癌患者进行质子治疗自动治疗计划的临床效用

Clinical utility of automatic treatment planning for proton therapy of head-and-neck cancer patients using JulianA

本研究评估自动计划系统JulianA在17例头颈癌质子治疗中的临床效用，发现其生成的计划可接受度与剂量适形度优于人工计划，可作为临床质控工具与研究平台。

2024-06-01physics.med-ph

机器学习用于自动构建伪现实儿科腹部体模

Machine learning for automatic construction of pseudo-realistic pediatric abdominal phantoms

Centrum Wiskunde & Informatica（数学与计算机科学国家研究所）；Amsterdam UMC, University of Amsterdam（阿姆斯特丹大学阿姆斯特丹大学医学中心）；Delft University of Technology（代尔夫特理工大学）

机器学习（ML）在许多医疗保健应用中被证明是非常有益的。在儿科肿瘤学中，调查治疗与晚期不良反应之间关系的回顾性研究仍然依赖于简单的药物学。为了评估放射治疗的效果，通常在体模上模拟治疗计划，即，患者解剖结构的虚拟替代物。目前，幻影是根据合理而简单的人类设计标准建造的。这往往导致缺乏个性化。我们提出了一种新的方法，结合成像和ML自动构建个性化的幻影。考虑到历史上治疗过的患者的特征（只有2D X光片可用），以及具有器官分割和相对患者特征的3D计算机断层扫描（CT）成像数据库，我们的方法使用ML来预测如何自动组装患者特定的体模。60腹部CT的儿科患者的实验表明，我们的方法构造显着更具代表性的幻影比使用当前的幻影建设标准，在位置和形状的腹部和两个考虑的器官，肝脏和脾脏。在所考虑的几种ML算法中，基因池最优混合遗传编程进化算法（GP-GOMEA）被发现提供最佳性能的模型，而且，透明和可解释的数学表达式。

2019-09-09cs.LGphysics.med-phstat.AP