論文の概要: Towards Cardiac Intervention Assistance: Hardware-aware Neural
Architecture Exploration for Real-Time 3D Cardiac Cine MRI Segmentation
- arxiv url: http://arxiv.org/abs/2008.07071v2
- Date: Mon, 14 Dec 2020 01:11:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 03:35:12.081019
- Title: Towards Cardiac Intervention Assistance: Hardware-aware Neural
Architecture Exploration for Real-Time 3D Cardiac Cine MRI Segmentation
- Title（参考訳）: 心臓インターベンション支援に向けて:リアルタイム3次元心臓MRIセグメントのためのハードウェア対応ニューラルアーキテクチャ探索
- Authors: Dewen Zeng, Weiwen Jiang, Tianchen Wang, Xiaowei Xu, Haiyun Yuan,
Meiping Huang, Jian Zhuang, Jingtong Hu, Yiyu Shi
- Abstract要約: リアルタイム心臓MRI(Real-time Heartc MRI)は、様々な心臓の介入を導く上で、ますます重要な役割を担っている。
より優れた視覚補助を提供するには、目立った視覚遅延を避けるために、シネMRIフレームをオンザフライで分割する必要がある。
リアルタイム3次元心血管MRIセグメント化のためのハードウェア対応マルチスケールニューラルアーキテクチャサーチ(NAS)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 18.147734988338634
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-time cardiac magnetic resonance imaging (MRI) plays an increasingly
important role in guiding various cardiac interventions. In order to provide
better visual assistance, the cine MRI frames need to be segmented on-the-fly
to avoid noticeable visual lag. In addition, considering reliability and
patient data privacy, the computation is preferably done on local hardware.
State-of-the-art MRI segmentation methods mostly focus on accuracy only, and
can hardly be adopted for real-time application or on local hardware. In this
work, we present the first hardware-aware multi-scale neural architecture
search (NAS) framework for real-time 3D cardiac cine MRI segmentation. The
proposed framework incorporates a latency regularization term into the loss
function to handle real-time constraints, with the consideration of underlying
hardware. In addition, the formulation is fully differentiable with respect to
the architecture parameters, so that stochastic gradient descent (SGD) can be
used for optimization to reduce the computation cost while maintaining
optimization quality. Experimental results on ACDC MICCAI 2017 dataset
demonstrate that our hardware-aware multi-scale NAS framework can reduce the
latency by up to 3.5 times and satisfy the real-time constraints, while still
achieving competitive segmentation accuracy, compared with the state-of-the-art
NAS segmentation framework.
- Abstract（参考訳）: リアルタイム心臓MRI(Real-time Heartc MRI)は、様々な心臓の介入を導く上で、ますます重要な役割を担っている。
より良い視覚補助を提供するには、目立った視覚遅延を避けるために、シネMRIフレームをオンザフライで分割する必要がある。
また、信頼性と患者データプライバシを考慮して、ローカルハードウェア上で計算することが好ましい。
最先端MRIセグメント法は主に精度のみに焦点を当てており、リアルタイムアプリケーションやローカルハードウェアでは採用できない。
本稿では,リアルタイム3次元心筋mriセグメンテーションのための,ハードウェア対応のマルチスケールニューラルネットワーク検索(nas)フレームワークを提案する。
提案フレームワークは,遅延正規化項をロス関数に組み込んで,ハードウェアの基盤となる制約をリアルタイムに処理する。
また, 定式化はアーキテクチャパラメータに対して完全に微分可能であり, 最適化コストを低減し, 最適化品質を維持しつつ, 確率勾配降下 (sgd) を最適化に用いることができる。
ACDC MICCAI 2017データセットの実験結果によると、我々のハードウェア対応マルチスケールNASフレームワークは、最先端のNASセグメンテーションフレームワークと比較して競争力のあるセグメンテーション精度を保ちながら、レイテンシを最大3.5倍削減し、リアルタイム制約を満たすことができる。
関連論文リスト
- Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。
管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文 参考訳（メタデータ） (2024-01-11T19:07:58Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Generalized Implicit Neural Representation for Efficient MRI Parallel Imaging Reconstruction [16.63720411275398]
本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。
フレームワークのINRモデルは、完全にサンプリングされたMR画像を空間座標と以前のボクセル固有の特徴の連続関数として扱う。
公開されているMRIデータセットの実験は、複数の加速度因子で画像を再構成する際の提案手法の優れた性能を示す。
論文 参考訳（メタデータ） (2023-09-12T09:07:03Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳（メタデータ） (2022-07-18T06:01:29Z) - RT-DNAS: Real-time Constrained Differentiable Neural Architecture Search
for 3D Cardiac Cine MRI Segmentation [16.917622322606494]
本稿では,RT-DNAS という差別化可能なNAS フレームワークにおいて,リアルタイム制約を直接処理する戦略を提案する。
2017年に拡張されたMICCAI ACDCデータセットの実験によると、RT-DNASはリアルタイムの制約を満たすことなく、より正確なものを特定することができる。
論文 参考訳（メタデータ） (2022-06-08T23:14:08Z) - Recurrence-in-Recurrence Networks for Video Deblurring [58.49075799159015]
最先端のビデオデブロアリング法は、しばしばフレーム間の時間的依存性をモデル化するために、リカレントニューラルネットワークを採用する。
本稿では,短距離メモリの限界に対処する再帰型ネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-03-12T11:58:13Z) - Efficient Global-Local Memory for Real-time Instrument Segmentation of
Robotic Surgical Video [53.14186293442669]
手術器具の知覚における重要な手がかりとして,隣接するフレームからの局所的時間依存性と,長距離における大域的意味的相関があげられる。
本稿では,グローバルとローカルの両方の時間的知識を関連付ける新しいデュアルメモリネットワーク(DMNet)を提案する。
本手法は,実時間速度を維持しながらセグメント化精度を向上する手法である。
論文 参考訳（メタデータ） (2021-09-28T10:10:14Z) - Hardware-aware Real-time Myocardial Segmentation Quality Control in
Contrast Echocardiography [15.05403819353754]
コントラスト心エコー法の品質管理と自動心筋セグメンテーションのためのハードウェア対応ニューラルネットワーク探索フレームワークを提案する。
提案手法は,セグメンテーションモジュールと品質予測モジュールに対して,厳密なレイテンシで最高のニューラルネットワークアーキテクチャを探索する。
論文 参考訳（メタデータ） (2021-09-14T18:14:53Z) - ICA-UNet: ICA Inspired Statistical UNet for Real-time 3D Cardiac Cine
MRI Segmentation [28.758552446715218]
リアルタイム3次元心血管MRIのための新しいICA-UNetを提案する。
MICCAI ACDC 2017データセットを用いた実験によると、ICA-UNetは最先端のDiceスコアを達成するだけでなく、スループットとレイテンシの両方のリアルタイム要件を満たす(最大12.6倍の削減)。
論文 参考訳（メタデータ） (2020-07-18T15:29:01Z) - Efficient and Phase-aware Video Super-resolution for Cardiac MRI [23.5319835123499]
我々は,CMRビデオの超解像問題を解決するために,新しいエンドツーエンドのトレーニング可能なネットワークを提案する。
心的知識をモデルに組み込んで時間的情報の利用を支援する。
論文 参考訳（メタデータ） (2020-05-21T13:29:03Z) - AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement
with Neural Searching [76.4844593082362]
既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。
総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
論文 参考訳（メタデータ） (2020-04-26T05:43:21Z)
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。