Fugu-MT 論文翻訳(概要): L-CO-Net: Learned Condensation-Optimization Network for Clinical Parameter Estimation from Cardiac Cine MRI

論文の概要: L-CO-Net: Learned Condensation-Optimization Network for Clinical Parameter Estimation from Cardiac Cine MRI

arxiv url: http://arxiv.org/abs/2004.11253v1
Date: Tue, 21 Apr 2020 23:59:07 GMT
ステータス: 処理完了
システム内更新日: 2022-12-11 07:42:22.427472
Title: L-CO-Net: Learned Condensation-Optimization Network for Clinical Parameter Estimation from Cardiac Cine MRI
Title（参考訳）: L-CO-Net:心内膜MRIによる臨床パラメータ推定のための学習型凝縮最適化ネットワーク
Authors: S. M. Kamrul Hasan, Cristian A. Linte
Abstract要約: 学習グループ構造と正規化ウェイトプルーナーを兼ね備えた完全畳み込みセグメンタを実装した。心循環を通じて健常な1群と4群の病理組織を特徴とするACDCデータセットの枠組みを検証した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work, we implement a fully convolutional segmenter featuring both a learned group structure and a regularized weight-pruner to reduce the high computational cost in volumetric image segmentation. We validated our framework on the ACDC dataset featuring one healthy and four pathology groups imaged throughout the cardiac cycle. Our technique achieved Dice scores of 96.8% (LV blood-pool), 93.3% (RV blood-pool) and 90.0% (LV Myocardium) with five-fold cross-validation and yielded similar clinical parameters as those estimated from the ground truth segmentation data. Based on these results, this technique has the potential to become an efficient and competitive cardiac image segmentation tool that may be used for cardiac computer-aided diagnosis, planning, and guidance applications.
Abstract（参考訳）: 本研究では,学習群構造と正規化重みプリナーの両方を特徴とする完全畳み込みセグメンテーションを実装し,ボリューム画像セグメンテーションの計算コストを低減した。心循環を通じて健常な1群と4群の病理組織を特徴とするACDCデータセットの枠組みを検証した。本手法はDiceスコア96.8%(LV血液プール),93.3%(RV血液プール),90.0%(LV心筋)を5倍のクロスバリデーションで達成し,基礎的真理セグメンテーションデータと類似した臨床パラメータを得た。これらの結果から, この技術は, 心的コンピュータ支援診断, 計画, ガイダンスの応用に使用できる, 効率的かつ競争力のある心画像分割ツールとなる可能性がある。

関連論文リスト

An Improved Approach for Cardiac MRI Segmentation based on 3D UNet Combined with Papillary Muscle Exclusion [0.0]
異なるフェーズにおいて、心臓構造を正確にセグメンテーションするための堅牢なアルゴリズムを開発することが重要である。本研究では,乳頭筋を除いた心筋とLVのセグメンテーションに改良された3次元UNetモデルを導入する。提案フレームワークの実用試験では, 合計8,400枚の心MRI画像を収集し, 解析した。
論文参考訳（メタデータ） (2024-10-09T12:19:58Z)
Classification, Regression and Segmentation directly from k-Space in Cardiac MRI [11.690226907936903]
我々は,k空間データを直接処理するためのトランスフォーマーモデルであるKMAEを提案する。 KMAEは、重要な心臓疾患の分類、関連する表現型回帰、および心臓セグメンテーションタスクを扱うことができる。心臓MRIにおけるk-space-based diagnosisの可能性について検討した。
論文参考訳（メタデータ） (2024-07-29T15:35:35Z)
Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。提案手法はラベル集約段階において手作業によるアノテーションに依存しない。我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文参考訳（メタデータ） (2023-07-25T09:48:13Z)
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)
On the Automated Segmentation of Epicardial and Mediastinal Cardiac Adipose Tissues Using Classification Algorithms [0.9176056742068814]
本研究は,心臓脂肪パッドの自動セグメンテーションのための新しい技術を提案する。本手法は,心臓CT画像のセグメンテーションに分類アルゴリズムを適用することに基づく。心内膜脂肪および縦隔脂肪の分類における平均精度は98.4%であった。
論文参考訳（メタデータ） (2022-08-30T15:57:02Z)
MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
論文参考訳（メタデータ） (2022-01-10T06:37:23Z)
Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文参考訳（メタデータ） (2021-08-21T16:15:40Z)
Multi-class probabilistic atlas-based whole heart segmentation method in cardiac CT and MRI [4.144197343838299]
本稿では,非剛性登録に基づく確率的アトラスを用いたマルチクラス全心セグメンテーションの枠組みを提案する。また,高い到達可能な相互情報を得るためのマルチレゾリューション戦略を利用した非剛性登録パイプラインを提案する。提案手法は,CTスキャンにおいて平均ボリュームオーバーラップ誤差が14.5 % であることを示す。
論文参考訳（メタデータ） (2021-02-03T01:02:09Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)
CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
論文参考訳（メタデータ） (2020-04-05T16:34:51Z)

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。