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
- AG-CRC: Anatomy-Guided Colorectal Cancer Segmentation in CT with
Imperfect Anatomical Knowledge [9.961742312147674]
自動生成臓器マスクを利用する新しい解剖ガイドセグメンテーションフレームワークを開発した。
提案手法を2つのCRCセグメンテーションデータセット上で広範囲に評価する。
論文 参考訳(メタデータ) (2023-10-07T03:22:06Z) - Two-stage MR Image Segmentation Method for Brain Tumors based on
Attention Mechanism [27.08977505280394]
CycleGAN(CycleGAN)に基づく協調・空間的注意生成対向ネットワーク(CASP-GAN)を提案する。
ジェネレータの性能は、コーディネート・アテンション(CA)モジュールと空間アテンション(SA)モジュールを導入することで最適化される。
元の医用画像の構造情報と詳細な情報を抽出する能力は、所望の画像をより高品質に生成するのに役立つ。
論文 参考訳(メタデータ) (2023-04-17T08:34:41Z) - 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) - Maximum Entropy on Erroneous Predictions (MEEP): Improving model
calibration for medical image segmentation [10.159176702917788]
本稿では,分割ネットワークのトレーニング戦略であるMEEPを紹介する。
脳の磁気共鳴画像(MRI)における白質高強度病変と、心臓MRIにおける心房細動の2つの課題について、提案手法をベンチマークした。
論文 参考訳(メタデータ) (2021-12-22T20:34:20Z) - High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。
提案手法は画像分割精細化において高速かつ効果的である。
論文 参考訳(メタデータ) (2021-11-29T11:53:06Z) - 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) - 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)
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。