論文の概要: Volumetric parcellation of the right ventricle for regional geometric and functional assessment

• arxiv url: http://arxiv.org/abs/2003.08423v3
• Date: Tue, 6 Apr 2021 17:35:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 13:07:20.513590
• Title: Volumetric parcellation of the right ventricle for regional geometric and functional assessment
• Title（参考訳）: 局所的および機能的評価のための右室の容積解析
• Authors: Gabriel Bernardino, Amir Hodzic, Helene Langet, Damien LeGallois, Mathieu De Craene, Miguel Angel Gonz\'alez Ballester, Eric Saloux, Bart Bijnens
• Abstract要約: そこで我々は,3つのRV領域(apical, inlet, outflow)を局所的に評価する手法を開発した。 この手法の入力は、エンドシストリクス(ED)とエンドシストリクス(ES)セグメンテーションされた3次元表面モデルである。 本手法は,局所的周方向,大域的周方向,縦方向のRVリモデリングに適していることを示す。
• 参考スコア（独自算出の注目度）: 0.44226489787197854
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: 3D echocardiography is an increasingly popular tool for assessing cardiac remodelling in the right ventricle (RV). It allows quantification of the cardiac chambers without any geometric assumptions, which is the main weakness of 2D echocardiography. However, regional quantification of geometry and function is limited by the lower spatial and temporal resolution and the scarcity of identifiable anatomical landmarks. We developed a technique for regionally assessing the 3 relevant RV regions: apical, inlet and outflow. The method's inputs are end-diastolic (ED) and end-systolic (ES) segmented 3D surface models. The method first defines a partition of the ED endocardium using the geodesic distances from each surface point to apex, tricuspid valve and pulmonary valve: the landmarks that define the 3 regions. The ED surface mesh is then tetrahedralised, and the endocardial-defined partition is interpolated in the blood cavity via the Laplace equation. For obtaining an ES partition, the endocardial partition is transported from ED to ES using a commercial image-based tracking, and then interpolated towards the endocardium, similarly to ED, for computing volumes and ejection fraction (EF). We present a full assessment of the method's validity and reproducibility. First, we assess reproducibility under segmentation variability, obtaining intra- and inter- observer errors (4-10% and 10-23% resp.). Finally, we use a synthetic remodelling dataset to identify the situations in which our method is able to correctly determine the region that has remodelled. This dataset is generated by a novel mesh reconstruction method that deforms a reference mesh, locally imposing a given strain, expressed in anatomical coordinates. We show that the parcellation method is adequate for capturing local circumferential and global circumferential and longitudinal RV remodelling.
• Abstract（参考訳）: 3d心エコー図は右心室リモデリング(rv)の指標として人気が高まっている。 幾何的な仮定なしに心臓室の定量化が可能であり、2次元心エコー図の主な弱点である。 しかし、幾何学と関数の局所的な定量化は、低い空間分解能と時間分解能と識別可能な解剖学的ランドマークの不足によって制限される。 そこで我々は,3つのRV領域(apical, inlet, outflow)を局所的に評価する手法を開発した。 入力はend-diastolic (ed) と end-systolic (es) の3次元曲面モデルである。 この方法は、まず、各表面点から頂点、三尖弁、肺弁までの測地線距離を用いて、ed心内膜を分割することを定義する: 3つの領域を定義するランドマークである。 その後、ED表面メッシュを四面体化し、ラプラス式を介して、心内膜断面積を血液腔内に補間する。 ESパーティションを得るには、商業的な画像ベースのトラッキングを用いてEDからESへ輸送し、ボリュームと吐出率(EF)を計算するためにEDと同様に、心内膜に向かって補間する。 本手法の有効性と再現性を完全に評価する。 まず,分割変動下での再現性を評価し,サーバ内エラー(4-10%と10-23%のresp。 最後に,本手法がリモデリングされた領域を正確に決定できる状況を特定するために,合成リモデリングデータセットを用いる。 このデータセットは、解剖学的座標で表現された所定のひずみを局所的に起因する参照メッシュを変形する新しいメッシュ再構成法によって生成される。 本手法は,局所的周方向,大域的周方向,縦方向のRVリモデリングに適していることを示す。

関連論文リスト

• Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
  全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。 本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。 この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:05Z)
• 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)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• Deep Statistic Shape Model for Myocardium Segmentation [10.381467202920303]
  本稿では, 形状整合性と境界対応性の両方を保ち, 心筋セグメンテーションに焦点をあてる新しいエンド・ツー・エンドの深部統計形状モデルを提案する。 ディープニューラルネットワークは変換パラメータを予測するために使用され、平均点雲を画像領域にワープするために使用される。 より正確なポイントクラウドを学ぶために、マスク監視をフレームワークに組み込むために、差別化可能なレンダリング層が導入されている。
  論文  参考訳（メタデータ） (2022-07-21T17:01:24Z)
• Light-weight spatio-temporal graphs for segmentation and ejection fraction prediction in cardiac ultrasound [5.597394612661975]
  本研究では,左心室分画予測と左心室分画のためのEchoGraphsという自動手法を提案する。 キーポイントの検出には、GCN(Graph Conal Networks)に基づく直接座標回帰モデルを用いる。 セマンティックセグメンテーションと比較すると、GCNは正確なセグメンテーションと堅牢性と推論ランタイムの改善を示している。
  論文  参考訳（メタデータ） (2022-07-06T10:03:44Z)
• Shape constrained CNN for segmentation guided prediction of myocardial shape and pose parameters in cardiac MRI [0.6445605125467573]
  我々は、CNNを用いて、心筋の統計的形状モデルの形状パラメータを予測する。 統合形状モデルは予測輪郭を規則化し、現実的な形状を保証する。 形状パラメータの予測に,同時セマンティックセグメンテーションと2つの新たに定義された損失関数の利点を示す。
  論文  参考訳（メタデータ） (2022-03-02T13:20:30Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• PC-U Net: Learning to Jointly Reconstruct and Segment the Cardiac Walls in 3D from CT Data [18.941064150226236]
  2次元CTスライスから直接LV MYO壁の点雲を直接再構成するPC-Uネットを提案する。 提案したPC-Uネットの協調学習フレームワークは,自動心画像解析タスクに有用である。
  論文  参考訳（メタデータ） (2020-08-18T23:37:05Z)
• Deep Negative Volume Segmentation [60.44793799306154]
  対象物を取り囲むすべての組織間で空の空間を分割する3Dセグメント化タスクに対する新しい角度を提案する。 我々のアプローチは骨分割のためのV-Netを含むエンドツーエンドパイプラインである。 顎顔面領域の専門医が注釈を付した50名の患者データセットにおけるCTスキャンの考え方を検証した。
  論文  参考訳（メタデータ） (2020-06-22T16:55:23Z)
• Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
  我々はCTにおける臓器局所化のための深層強化学習手法を提案する。 この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。 本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2020-05-11T10:06:13Z)

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。