論文の概要: Fully Automated Segmentation of the Left Ventricle in Magnetic Resonance Images

• arxiv url: http://arxiv.org/abs/2007.10665v1
• Date: Tue, 21 Jul 2020 08:50:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 05:33:33.347852
• Title: Fully Automated Segmentation of the Left Ventricle in Magnetic Resonance Images
• Title（参考訳）: 磁気共鳴画像における左室の完全自動セグメンテーション
• Authors: ZiHao Wang and ZhenZhou Wang
• Abstract要約: 我々は、CNNベースのLVセグメンテーション手法を、その公開コードと訓練されたCNNモデルで再現する。 驚くことではないが、再現された結果は彼らの主張する精度よりも著しく悪い。 また, 勾配差分分布(SDD)のしきい値選択に基づく完全自動LV分割法を提案し, 再現したCNN法と比較した。
• 参考スコア（独自算出の注目度）: 18.104323389381126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic and robust segmentation of the left ventricle (LV) in magnetic resonance images (MRI) has remained challenging for many decades. With the great success of deep learning in object detection and classification, the research focus of LV segmentation has changed to convolutional neural network (CNN) in recent years. However, LV segmentation is a pixel-level classification problem and its categories are intractable compared to object detection and classification. Although lots of CNN based methods have been proposed for LV segmentation, no robust and reproducible results are achieved yet. In this paper, we try to reproduce the CNN based LV segmentation methods with their disclosed codes and trained CNN models. Not surprisingly, the reproduced results are significantly worse than their claimed accuracies. We also proposed a fully automated LV segmentation method based on slope difference distribution (SDD) threshold selection to compare with the reproduced CNN methods. The proposed method achieved 95.44% DICE score on the test set of automated cardiac diagnosis challenge (ACDC) while the two compared CNN methods achieved 90.28% and 87.13% DICE scores. Our achieved accuracy is also higher than the best accuracy reported in the published literatures. The MATLAB codes of our proposed method are freely available on line.
• Abstract（参考訳）: 磁気共鳴画像(MRI)における左室(LV)の自動的,頑健なセグメンテーションは,長年にわたって困難であった。 物体検出と分類におけるディープラーニングの成功により、近年、lvセグメンテーションの研究焦点は畳み込みニューラルネットワーク(cnn)へと変化している。 しかし、LVセグメンテーションはピクセルレベルの分類問題であり、そのカテゴリは物体の検出や分類と比較して難解である。 CNNに基づく多くの手法がLVセグメンテーションのために提案されているが、堅牢で再現可能な結果はまだ得られていない。 本稿では,CNNに基づくLVセグメンテーション手法を,その公開コードと訓練されたCNNモデルで再現しようと試みる。 驚くことではないが、再現された結果は彼らの主張する精度よりも著しく悪い。 また,スロープ差分布(sdd)閾値選択に基づく完全自動化lvセグメンテーション法を提案し,再現したcnn法と比較した。 提案法は自動心臓診断試験(ACDC)において95.44%のDICEスコアを得たが、比較したCNN法では90.28%と87.13%のDICEスコアを得た。 我々の達成した正確さは、出版文献で報告されている最良の正確さよりも高い。 提案手法のMATLAB符号は,行で自由に利用できる。

関連論文リスト

• Two-Phase Segmentation Approach for Accurate Left Ventricle Segmentation in Cardiac MRI using Machine Learning [0.8521378010565595]
  この研究の中心的な課題は、3種類のLVスライスに適用されるパラメータのセットが存在しないことである。 この問題に対処するために,LVセグメンテーションを強化する新しい手法を提案する。 提案手法はスライスの種類ごとに異なるパラメータの集合を用いており、結果として2相分割法が成立する。
  論文  参考訳（メタデータ） (2024-07-29T19:26:24Z)
• SimLVSeg: Simplifying Left Ventricular Segmentation in 2D+Time Echocardiograms with Self- and Weakly-Supervised Learning [0.8672882547905405]
  狭義の心エコービデオから一貫した左室(LV)セグメンテーションを行うビデオベースネットワークであるSimLVSegを開発した。 SimLVSegは、時間的マスキングによる自己教師付き事前トレーニングと、スパースアノテーションからのLVセグメンテーションに適した弱い教師付き学習で構成されている。 我々は、SimLVSegが、最大の2D+時間心エコー画像データセットで93.32%のダイススコアを達成して、最先端のソリューションをいかに優れているかを実証する。
  論文  参考訳（メタデータ） (2023-09-30T18:13:41Z)
• Segmentation method for cerebral blood vessels from MRA using hysteresis [1.6516902135723863]
  我々は,磁気共鳴血管造影法により,血管の真実を生成する古典的セグメンテーション法を開発した。 この方法は、サイズ固有のヘッセンフィルタ、DL閾値、接続されたコンポーネント補正を組み合わせたものである。 GitHubで入手可能なこのメソッドは、コンテナセグメンテーションのためのDLモデルをトレーニングするために使用することができる。
  論文  参考訳（メタデータ） (2023-03-09T08:34:21Z)
• 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)
• COVID-19 Detection Using Segmentation, Region Extraction and Classification Pipeline [0.0]
  本研究の目的は,大規模かつ困難なCT画像データベースから新型コロナウイルス検出用パイプラインを開発することである。 セグメンテーション部で試みられた方法論は、UNetベースの手法と同様に伝統的なセグメンテーション法である。 分類部では、最終診断決定を行うために、コナールニューラルネットワーク(CNN)が使用された。
  論文  参考訳（メタデータ） (2022-10-06T15:34:29Z)
• 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)
• 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)
• Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs [49.32653090178743]
  畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。 CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。 深層学習に基づく手法が古典的アプローチより優れていることが実証された。
  論文  参考訳（メタデータ） (2020-08-05T08:49:20Z)
• 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)
• Development of a Machine-Learning System to Classify Lung CT Scan Images into Normal/COVID-19 Class [5.018008985074939]
  本研究は,CTスキャンスライス(CTS)を用いた感染検出のためのMLS(Machine-Learning-System)を提案することを目的とする。 このMLSは、マルチスレッディング、しきい値フィルタを用いた画像分離、特徴抽出、特徴選択、特徴融合、分類などの一連の手法を実装している。
  論文  参考訳（メタデータ） (2020-04-24T14:52:08Z)

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。