論文の概要: Deep Generative Model-based Quality Control for Cardiac MRI Segmentation

• arxiv url: http://arxiv.org/abs/2006.13379v1
• Date: Tue, 23 Jun 2020 23:15:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 22:51:23.763018
• Title: Deep Generative Model-based Quality Control for Cardiac MRI Segmentation
• Title（参考訳）: 心mriセグメンテーションのための深部生成モデルに基づく品質制御
• Authors: Shuo Wang, Giacomo Tarroni, Chen Qin, Yuanhan Mo, Chengliang Dai, Chen Chen, Ben Glocker, Yike Guo, Daniel Rueckert and Wenjia Bai
• Abstract要約: 本稿では, 心臓MRI領域の品質管理のための, 深部生成モデルに基づく新しいフレームワークを提案する。 提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。
• 参考スコア（独自算出の注目度）: 30.09405692032434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, convolutional neural networks have demonstrated promising performance in a variety of medical image segmentation tasks. However, when a trained segmentation model is deployed into the real clinical world, the model may not perform optimally. A major challenge is the potential poor-quality segmentations generated due to degraded image quality or domain shift issues. There is a timely need to develop an automated quality control method that can detect poor segmentations and feedback to clinicians. Here we propose a novel deep generative model-based framework for quality control of cardiac MRI segmentation. It first learns a manifold of good-quality image-segmentation pairs using a generative model. The quality of a given test segmentation is then assessed by evaluating the difference from its projection onto the good-quality manifold. In particular, the projection is refined through iterative search in the latent space. The proposed method achieves high prediction accuracy on two publicly available cardiac MRI datasets. Moreover, it shows better generalisation ability than traditional regression-based methods. Our approach provides a real-time and model-agnostic quality control for cardiac MRI segmentation, which has the potential to be integrated into clinical image analysis workflows.
• Abstract（参考訳）: 近年、畳み込みニューラルネットワークは様々な医療画像セグメンテーションタスクにおいて有望な性能を示した。 しかし、訓練されたセグメンテーションモデルが実際の臨床の世界に展開されると、モデルは最適に動作しない。 大きな課題は、画質低下やドメインシフトの問題によって生じる、品質の低いセグメンテーションである。 臨床医に悪いセグメンテーションやフィードバックを検知する自動品質管理手法を開発するのは、適時必要である。 本稿では,心臓MRI領域の品質管理のための新しいモデルベースフレームワークを提案する。 まず、生成モデルを用いて高品質な画像セグメンテーションペアの多様体を学習する。 与えられたテストセグメンテーションの品質は、その射影から良質多様体への差を評価することによって評価される。 特に、射影は潜在空間における反復探索によって洗練される。 提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。 さらに,従来の回帰型手法よりも高い一般化能力を示す。 本手法は,臨床画像解析のワークフローに組み込む可能性を秘めた,心臓MRI領域のリアルタイムおよびモデルに依存しない品質制御を実現する。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Towards a vision foundation model for comprehensive assessment of Cardiac MRI [11.838157772803282]
  心臓磁気共鳴画像(CMR)評価のための視覚基礎モデルを提案する。 CMRワークフローに典型的な9つの臨床的タスクについて、教師付き方法でモデルを微調整する。 すべてのタスクにおいて、ラベル付きデータセットサイズの範囲で、精度と堅牢性が改善されたことを実証する。
  論文  参考訳（メタデータ） (2024-10-02T15:32:01Z)
• MedCLIP-SAMv2: Towards Universal Text-Driven Medical Image Segmentation [2.2585213273821716]
  MedCLIP-SAMv2はCLIPとSAMモデルを統合して臨床スキャンのセグメンテーションを行う新しいフレームワークである。 提案手法は,DHN-NCE(Decoupled Hard Negative Noise Contrastive Estimation)によるBiomedCLIPモデルの微調整を含む。 また,ゼロショットセグメンテーションラベルを弱教師付きパラダイム内で使用することにより,セグメンテーション品質をさらに向上する。
  論文  参考訳（メタデータ） (2024-09-28T23:10:37Z)
• Dimensionality Reduction and Nearest Neighbors for Improving Out-of-Distribution Detection in Medical Image Segmentation [1.2873975765521795]
  この研究は、肝臓を分断する4つのSwin UNETRとnnU-netモデルのボトルネック特徴にマハラノビス距離(MD)ポストホックを適用した。 モデルが失敗した画像は、高性能で最小の計算負荷で検出された。
  論文  参考訳（メタデータ） (2024-08-05T18:24:48Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• 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)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Quality-aware Cine Cardiac MRI Reconstruction and Analysis from Undersampled k-space Data [7.022090490184671]
  本稿では、画像取得と再構成を下流タスクと組み合わせた、エンドツーエンド品質を意識した近軸短軸MRIフレームワークを提案する。 このフレームワークは、2D+t心筋MRI画像のアンダーサンプルデータからの再構成のためのディープラーニングモデルで構成されている。 以上の結果より,スライス12秒から4秒のスキャン時間で品質制御画像が作成でき,心機能パラメータの信頼性の高い推定が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-09-16T13:08:54Z)
• Modality Completion via Gaussian Process Prior Variational Autoencoders for Multi-Modal Glioma Segmentation [75.58395328700821]
  本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。 MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。 4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
  論文  参考訳（メタデータ） (2021-07-07T19:06:34Z)
• Efficient Model Monitoring for Quality Control in Cardiac Image Segmentation [3.2212186424911073]
  基礎的真理がない状態での心臓セグメンテーションモデルのパフォーマンスを監視するための新しい学習フレームワークを提示する。 本稿では,グローバルスコアと画素ワイズマップという2種類の品質指標を提案する。 その結果,我々のフレームワークは正確,高速,スケーラブルであり,臨床と大規模集団研究における品質管理モニタリングに有効な選択肢であることを確認した。
  論文  参考訳（メタデータ） (2021-04-12T14:58:58Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。