論文の概要: Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model
- arxiv url: http://arxiv.org/abs/2005.13643v1
- Date: Wed, 27 May 2020 20:44:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 08:48:03.499402
- Title: Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on
2.5 D Residual Squeeze and Excitation Deep Learning Model
- Title（参考訳）: 2.5次元残像と励磁深層学習モデルに基づく後期ガドリニウム強調MRIにおける心筋の分画
- Authors: Abdul Qayyum, Alain Lalande, Thomas Decourselle, Thibaut Pommier,
Alexandre Cochet, Fabrice Meriaudeau
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 55.09533240649176
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Cardiac left ventricular (LV) segmentation from short-axis MRI acquired 10
minutes after the injection of a contrast agent (LGE-MRI) is a necessary step
in the processing allowing the identification and diagnosis of cardiac diseases
such as myocardial infarction. However, this segmentation is challenging due to
high variability across subjects and the potential lack of contrast between
structures. Then, the main objective of this work is to develop an accurate
automatic segmentation method based on deep learning models for the myocardial
borders on LGE-MRI. To this end, 2.5 D residual neural network integrated with
a squeeze and excitation blocks in encoder side with specialized convolutional
has been proposed. Late fusion has been used to merge the output of the best
trained proposed models from a different set of hyperparameters. A total number
of 320 exams (with a mean number of 6 slices per exam) were used for training
and 28 exams used for testing. The performance analysis of the proposed
ensemble model in the basal and middle slices was similar as compared to
intra-observer study and slightly lower at apical slices. The overall Dice
score was 82.01% by our proposed method as compared to Dice score of 83.22%
obtained from the intra observer study. The proposed model could be used for
the automatic segmentation of myocardial border that is a very important step
for accurate quantification of no-reflow, myocardial infarction, myocarditis,
and hypertrophic cardiomyopathy, among others.
- Abstract（参考訳）: 造影剤(lge-mri)注入10分後に獲得した短軸mriより左心室(lv)の分画は、心筋梗塞などの心疾患の診断と診断を可能にする処理において必要なステップである。
しかし、このセグメンテーションは、被験者間の高いばらつきと構造間のコントラストの潜在的な欠如のために困難である。
そこで本研究の主な目的は,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手法を開発することである。
この目的のために、特殊な畳み込みを伴うエンコーダ側の圧縮および励起ブロックと統合された2.5次元残差ニューラルネットワークが提案されている。
後期核融合は、異なるハイパーパラメータの集合から最も訓練されたモデルの出力をマージするために使われてきた。
合計320の試験(試験1回あたり平均6スライス)が訓練に、28の試験が試験に使用された。
基礎スライス法と中間スライス法で提案したアンサンブルモデルの性能解析は, オブザーバ内実験と同等であり, 先端スライス法ではやや低かった。
diceスコアは,intra observer studyで得られた83.22%に対して,提案手法では82.01%であった。
提案モデルは心筋境界の自動分節化に有用であり,no-reflow,心筋梗塞,心筋炎,肥大型心筋症等を正確に定量化するための重要なステップである。
関連論文リスト
- Multi-Model Ensemble Approach for Accurate Bi-Atrial Segmentation in LGE-MRI of Atrial Fibrillation Patients [3.676588766498097]
心房細動(AF)は、心臓不整脈の最も多い形態であり、死亡率と死亡率の増加と関連している。
この研究は、Unet、ResNet、EfficientNet、VGGを含む複数の機械学習モデルを統合するアンサンブルアプローチを示し、LGE-MRIデータから自動両房セグメンテーションを実行する。
論文 参考訳（メタデータ） (2024-09-24T13:33:46Z) - Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge [44.586530244472655]
我々はBraTS 2023の頭蓋内髄膜腫チャレンジの設計と結果について述べる。
BraTS髄膜腫チャレンジ(BraTS Meningioma Challenge)は、髄膜腫に焦点を当てた以前のBraTSグリオーマチャレンジとは異なる。
上層部は腫瘍,腫瘍コア,腫瘍全体の拡張のために0.976,0.976,0.964の病変中央値類似係数(DSC)を有していた。
論文 参考訳（メタデータ） (2024-05-16T03:23:57Z) - 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) - 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) - Deep Learning methods for automatic evaluation of delayed
enhancement-MRI. The results of the EMIDEC challenge [21.93792387878765]
EMIDECの課題は, 深層学習法が正常症例と病理症例とを区別できるかどうかを評価することである。
造影剤投与後, 正常MRI50例, 心筋梗塞100例に分けて検討した。
その結果,試験の自動分類は到達可能な課題であることが示唆された。
論文 参考訳（メタデータ） (2021-08-09T13:15:25Z) - Cascaded Convolutional Neural Network for Automatic Myocardial
Infarction Segmentation from Delayed-Enhancement Cardiac MRI [12.940103904327655]
心臓MRIによる自動心筋梗塞セグメンテーションのためのカスケード畳み込みニューラルネットワークを提案する。
本手法はmiccai 2020 emidec challengeデータセットで評価し, 心筋, 梗塞, 還流のない平均diceスコア 0.8786, 0.7124, 0.7851 をそれぞれ達成した。
論文 参考訳（メタデータ） (2020-12-28T07:41:10Z) - Spatio-temporal Multi-task Learning for Cardiac MRI Left Ventricle
Quantification [6.887389908965403]
心左心室(LV)形態の完全な測定セットを得るための学習時型マルチタスクアプローチを提案します。
まず,エンコーダデコーダネットワークを用いてLVを分割し,11のLV指標を回帰し,心相を分類する枠組みを導入する。
提案モデルは,mr画像から空間的特徴と特徴を抽出する3次元時空間畳み込みに基づく。
論文 参考訳（メタデータ） (2020-12-24T17:48:35Z) - Automatic Myocardial Infarction Evaluation from Delayed-Enhancement
Cardiac MRI using Deep Convolutional Networks [8.544381926074971]
臨床情報と遅延造影MRI(DE-MRI)による心筋梗塞自動評価のための新しいディープラーニングフレームワークを提案する。
2つのセグメンテーションニューラルネットワークを用いており、第1のネットワークは心筋や左室腔などの解剖学的構造をセグメンテーションするために使用される。
第2の課題は、ある症例をD-MRIの有無にかかわらず、臨床情報から正常または病理学的に自動的に分類することである。
論文 参考訳（メタデータ） (2020-10-30T11:18:25Z) - 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)
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。