論文の概要: Learning Directional Feature Maps for Cardiac MRI Segmentation

• arxiv url: http://arxiv.org/abs/2007.11349v1
• Date: Wed, 22 Jul 2020 11:31:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 22:57:34.105834
• Title: Learning Directional Feature Maps for Cardiac MRI Segmentation
• Title（参考訳）: 心臓mriセグメンテーションのための学習方向特徴マップ
• Authors: Feng Cheng, Cheng Chen, Yukang Wang, Heshui Shi, Yukun Cao, Dandan Tu, Changzheng Zhang, Yongchao Xu
• Abstract要約: 本稿では,クラス間の差分とクラス内の類似度を同時に強化する指向性特徴写像を利用する新しい手法を提案する。 具体的には,最寄りの心臓組織の境界から各ピクセルに向けられた方向のフィールドを学習する。 学習方向のフィールドに基づいて、元のセグメンテーション機能を改善するために、特徴修正と融合(FRF)モジュールを提案する。
• 参考スコア（独自算出の注目度）: 13.389141642517762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiac MRI segmentation plays a crucial role in clinical diagnosis for evaluating personalized cardiac performance parameters. Due to the indistinct boundaries and heterogeneous intensity distributions in the cardiac MRI, most existing methods still suffer from two aspects of challenges: inter-class indistinction and intra-class inconsistency. To tackle these two problems, we propose a novel method to exploit the directional feature maps, which can simultaneously strengthen the differences between classes and the similarities within classes. Specifically, we perform cardiac segmentation and learn a direction field pointing away from the nearest cardiac tissue boundary to each pixel via a direction field (DF) module. Based on the learned direction field, we then propose a feature rectification and fusion (FRF) module to improve the original segmentation features, and obtain the final segmentation. The proposed modules are simple yet effective and can be flexibly added to any existing segmentation network without excessively increasing time and space complexity. We evaluate the proposed method on the 2017 MICCAI Automated Cardiac Diagnosis Challenge (ACDC) dataset and a large-scale self-collected dataset, showing good segmentation performance and robust generalization ability of the proposed method.
• Abstract（参考訳）: 心臓MRIのセグメンテーションは、パーソナライズされた心機能パラメータを評価する臨床診断において重要な役割を担っている。 心臓MRIにおける不明瞭な境界と不均一な強度分布のため、既存の方法の多くは、クラス間不一致とクラス内不整合の2つの課題に悩まされている。 これら2つの問題に対処するために,クラス間の差異とクラス内の類似性を同時に強化する指向性特徴写像を利用する新しい手法を提案する。 具体的には, 心的セグメンテーションを行い, 最寄りの心組織境界から各ピクセルへの方向フィールド(DF)モジュールを介して方向フィールドを学習する。 次に,学習方向場に基づいて,特徴整流・融合(frf)モジュールを提案し,元のセグメンテーション機能を改善し,最終セグメンテーションを得る。 提案するモジュールは単純だが有効であり、時間と空間の複雑さを過度に増大させることなく既存のセグメンテーションネットワークに柔軟に追加することができる。 提案手法は,2017 MICCAI Automated Cardiac Diagnosis Challenge (ACDC)データセットと大規模自己収集データセットを用いて評価し,提案手法のセグメンテーション性能と堅牢な一般化能力を示す。

関連論文リスト

• Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
  全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。 本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。 この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:05Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Ensemble Learning of Myocardial Displacements for Myocardial Infarction Detection in Echocardiography [15.153823114115307]
  心筋梗塞の早期発見と局所化は、心臓損傷の重症度を低下させる可能性がある。 深層学習技術は心エコー画像におけるMI検出の可能性を示唆している。 本研究は,複数のセグメンテーションモデルの特徴を組み合わせ,MI分類性能を向上させるロバストな手法を提案する。
  論文  参考訳（メタデータ） (2023-03-12T20:16:14Z)
• 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)
• AWSnet: An Auto-weighted Supervision Attention Network for Myocardial Scar and Edema Segmentation in Multi-sequence Cardiac Magnetic Resonance Images [23.212429566838203]
  マルチシーケンスCMRデータから傷痕と浮腫のセグメンテーションに取り組むための,新しい自動重み付け監視フレームワークを開発した。 また, より小さな心筋病変領域の分画を, 形状の事前知識で促進する, 粗大から細大の枠組みを設計した。 マルチシーケンスCMRデータを用いた心筋病理診断の進歩に期待できる。
  論文  参考訳（メタデータ） (2022-01-14T08:59:54Z)
• Improved AI-based segmentation of apical and basal slices from clinical cine CMR [1.7647111545685723]
  本研究の目的は,基底スライスと尖端スライスを分割する際のAIアルゴリズムの性能を検討することである。 2つのNHS病院から得られた臨床CMRの大規模なデータセットを用いて,全モデルを訓練した。 分類とセグメンテーションのアプローチは、すべてのデータセットのパフォーマンスギャップを減らすのに最適であることを示す。
  論文  参考訳（メタデータ） (2021-09-20T10:48:50Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Multi-class probabilistic atlas-based whole heart segmentation method in cardiac CT and MRI [4.144197343838299]
  本稿では,非剛性登録に基づく確率的アトラスを用いたマルチクラス全心セグメンテーションの枠組みを提案する。 また,高い到達可能な相互情報を得るためのマルチレゾリューション戦略を利用した非剛性登録パイプラインを提案する。 提案手法は,CTスキャンにおいて平均ボリュームオーバーラップ誤差が14.5 % であることを示す。
  論文  参考訳（メタデータ） (2021-02-03T01:02:09Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Towards Cross-modality Medical Image Segmentation with Online Mutual Knowledge Distillation [71.89867233426597]
  本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。 モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。 MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
  論文  参考訳（メタデータ） (2020-10-04T10:25:13Z)
• 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。