論文の概要: Neural collaborative filtering for unsupervised mitral valve
segmentation in echocardiography
- arxiv url: http://arxiv.org/abs/2008.05867v1
- Date: Thu, 13 Aug 2020 12:53:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 23:57:46.627643
- Title: Neural collaborative filtering for unsupervised mitral valve
segmentation in echocardiography
- Title(参考訳): 心エコー法による僧帽弁弁切断術の神経協調フィルタリング
- Authors: Luca Corinzia, Fabian Laumer, Alessandro Candreva, Maurizio Taramasso,
Francesco Maisano, Joachim M. Buhmann
- Abstract要約: 心エコービデオの低次元埋め込みに基づく僧帽弁断面積自動制御法を提案する。
本法は, 各種僧帽弁疾患患者の心エコービデオと, 独立した検査コホートを用いて評価した。
これは、低品質ビデオやスパースアノテーションの場合には、最先端のインハンサーとエンファンサーの手法より優れている。
- 参考スコア(独自算出の注目度): 60.08918310097638
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The segmentation of the mitral valve annulus and leaflets specifies a crucial
first step to establish a machine learning pipeline that can support physicians
in performing multiple tasks, e.g.\ diagnosis of mitral valve diseases,
surgical planning, and intraoperative procedures. Current methods for mitral
valve segmentation on 2D echocardiography videos require extensive interaction
with annotators and perform poorly on low-quality and noisy videos. We propose
an automated and unsupervised method for the mitral valve segmentation based on
a low dimensional embedding of the echocardiography videos using neural network
collaborative filtering. The method is evaluated in a collection of
echocardiography videos of patients with a variety of mitral valve diseases,
and additionally on an independent test cohort. It outperforms state-of-the-art
\emph{unsupervised} and \emph{supervised} methods on low-quality videos or in
the case of sparse annotation.
- Abstract(参考訳): 僧帽弁輪とリーフレットのセグメンテーションは、例えば僧帽弁疾患の診断、手術計画、術中処置など、複数のタスクを行う医師を支援する機械学習パイプラインを確立するための重要な第一歩を規定している。
2次元心エコービデオにおける僧帽弁分画の方法には, 注釈装置との広範囲なインタラクションが必要であり, 低品質, 騒音ビデオでは性能が低下している。
本稿では,ニューラルネットワークを用いた心エコービデオの低次元埋め込みに基づく僧帽弁断面積の自動制御手法を提案する。
本法は, 各種僧帽弁疾患患者の心エコービデオの収集と, 独立した検査コホートを用いて評価した。
低品質ビデオやスパースアノテーションの場合、最先端の \emph{unsupervised} や \emph{supervised} メソッドよりも優れています。
関連論文リスト
- View Classification and Object Detection in Cardiac Ultrasound to
Localize Valves via Deep Learning [0.0]
本稿では、ディープニューラルネットワークを用いて、分類とローカライゼーションのステップを分離する機械学習パイプラインを提案する。
パイプラインの第1ステップとして,心の解剖学的所見が10個ある心エコー図にビュー分類を適用した。
第2のステップでは、深層学習に基づく物体検出をバルブの局所化と識別の両方に応用する。
論文 参考訳(メタデータ) (2023-10-31T18:16:02Z) - Semantic-aware Temporal Channel-wise Attention for Cardiac Function
Assessment [69.02116920364311]
既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。
本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。
提案手法は,0.22 MAE,0.26 RMSE,1.9%$R2$の改善により,スタンフォードデータセットの最先端性能を実現する。
論文 参考訳(メタデータ) (2023-10-09T05:57:01Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳(メタデータ) (2023-09-25T19:34:12Z) - BRONCO: Automated modelling of the bronchovascular bundle using the
Computed Tomography Images [32.586316762855944]
我々はCT画像に基づく気管支血管束のセグメンテーションパイプラインを提案する。
我々は,低用量CTと標準用CTの両方で,様々な病理組織を用いて,様々なスライス厚で再構成し,各種機械から取得した。
論文 参考訳(メタデータ) (2023-09-18T00:38:25Z) - Detecting Heart Disease from Multi-View Ultrasound Images via Supervised
Attention Multiple Instance Learning [5.8459640983757]
大動脈狭窄症 (Aortic stenosis, AS) は変性弁の状態であり、かなりの死亡率と死亡率を引き起こす。
AS検出に対する従来のアプローチでは、画像間の非フレキシブル平均に依存するため、精度が不十分であった。
2つの重要な方法論的革新とともに、新しいエンドツーエンドのMILアプローチに貢献する。
論文 参考訳(メタデータ) (2023-05-25T18:22:12Z) - CNN-based fully automatic mitral valve extraction using CT images and
existence probability maps [0.0]
本稿では,CT画像から僧帽弁形状を自動抽出する手法を提案する。
原画像とU-Netで推定される僧帽弁領域の存在確率マップを入力として、DenseNetに基づいて僧帽弁形状を抽出する。
提案手法における形状抽出誤差の平均誤差は0.88mmであり, 確率マップが存在しない手法と比較して0.32mmの改善である。
論文 参考訳(メタデータ) (2023-05-01T02:20:29Z) - Estimation of mitral valve hinge point coordinates -- deep neural net
for echocardiogram segmentation [0.0]
僧帽弁ヒンジ点の完全自動検出法を提案する。
この方法は、得られたセグメンテーションから第2ステップで僧帽弁ヒンジポイントを抽出する。
この自動検出法を用いて測定した結果を基準座標値と比較した。
論文 参考訳(メタデータ) (2023-01-20T19:46:16Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - AI-based Aortic Vessel Tree Segmentation for Cardiovascular Diseases
Treatment: Status Quo [55.04215695343928]
大動脈血管木は大動脈とその枝枝動脈からなる。
大動脈弁木の自動・半自動セグメンテーションのための計算手法を体系的に検討した。
論文 参考訳(メタデータ) (2021-08-06T08:18:28Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳(メタデータ) (2021-05-25T12:06:55Z)
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。