Fugu-MT 論文翻訳(概要): Cardiac Segmentation with Strong Anatomical Guarantees

論文の概要: Cardiac Segmentation with Strong Anatomical Guarantees

arxiv url: http://arxiv.org/abs/2006.08825v1
Date: Mon, 15 Jun 2020 23:38:31 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 04:08:41.961123
Title: Cardiac Segmentation with Strong Anatomical Guarantees
Title（参考訳）: 強い解剖学的保証を伴う心分画
Authors: Nathan Painchaud, Youssef Skandarani, Thierry Judge, Olivier Bernard, Alain Lalande, Pierre-Marc Jodoin
Abstract要約: 畳み込みニューラルネットワーク(CNN)は医療画像において前例のない成功を収めた。 CNNは、以前の形状の上に構築された場合でも、解剖学的に不正確なセグメンテーションを生成することに免疫を持たない。本稿では,予め定義された解剖学的基準を尊重することが保証される心臓画像分割マップを作成するための枠組みを提案する。
参考スコア（独自算出の注目度）: 12.424949276500282
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Convolutional neural networks (CNN) have had unprecedented success in medical imaging and, in particular, in medical image segmentation. However, despite the fact that segmentation results are closer than ever to the inter-expert variability, CNNs are not immune to producing anatomically inaccurate segmentations, even when built upon a shape prior. In this paper, we present a framework for producing cardiac image segmentation maps that are guaranteed to respect pre-defined anatomical criteria, while remaining within the inter-expert variability. The idea behind our method is to use a well-trained CNN, have it process cardiac images, identify the anatomically implausible results and warp these results toward the closest anatomically valid cardiac shape. This warping procedure is carried out with a constrained variational autoencoder (cVAE) trained to learn a representation of valid cardiac shapes through a smooth, yet constrained, latent space. With this cVAE, we can project any implausible shape into the cardiac latent space and steer it toward the closest correct shape. We tested our framework on short-axis MRI as well as apical two and four-chamber view ultrasound images, two modalities for which cardiac shapes are drastically different. With our method, CNNs can now produce results that are both within the inter-expert variability and always anatomically plausible without having to rely on a shape prior.
Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は医療画像、特に医用画像分割において前例のない成功を収めてきた。しかし、セグメンテーションの結果がかつてないほど専門家間の多様性に近づいているにもかかわらず、CNNは以前の形状の上に構築された場合でも、解剖学的に不正確なセグメンテーションを生み出すことに免疫を持たない。本稿では, 既定義の解剖学的基準を尊重しつつ, 専門家間変動の範囲内に留まることが保証される心臓画像分割マップを作成するための枠組みを提案する。この方法の背景にあるアイデアは、よく訓練されたcnnを使い、心臓画像を処理し、解剖学的に有望な結果を識別し、それらの結果を解剖学的に有効な心臓形状に向けることである。このワープ手順は、スムーズで制約のある遅延空間を通して有効な心臓形状の表現を学ぶために訓練された制約付き変分オートエンコーダ(cVAE)を用いて実行される。このcVAEにより、どんな不明瞭な形状でも心臓の潜伏空間に投射し、最も近い正確な形状に操舵することができる。短軸mriとアピカル2,4チャンバービュー超音波画像を用いて,心形態が著しく異なる2つの形態を比較検討した。我々の方法では、CNNは、専門家間の変動の範囲内であり、常に解剖学的に妥当な結果を生み出すことができる。

関連論文リスト

EigenHearts: Cardiac Diseases Classification Using EigenFaces Approach [2.2851400085359685]
心疾患の分類におけるEigenFacesアプローチの応用について検討した。我々は、心エコー図法における固有顔アプローチから着想を得た前処理ステップを実行し、ポッドモードのセットを生成し、それを固有ハートと呼ぶ。その結果,SVDを前処理に用いた場合,分類精度は約50%向上した。
論文参考訳（メタデータ） (2024-11-25T09:41:20Z)
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)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
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)
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)
Echocardiography Segmentation with Enforced Temporal Consistency [10.652677452009627]
本研究では,2次元以上の長軸心形態を学習するための枠組みを提案する。心臓の不整合の同定と補正は、生理的に解釈可能な心臓形状の埋め込みを学ぶために訓練された拘束されたオートエンコーダに依存している。
論文参考訳（メタデータ） (2021-12-03T16:09:32Z)
Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。形状と境界認識機能を利用する新しいモデルを提案する。
論文参考訳（メタデータ） (2021-05-27T13:54:59Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
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。

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。