論文の概要: Anatomy-Aware Cardiac Motion Estimation

• arxiv url: http://arxiv.org/abs/2008.07579v1
• Date: Mon, 17 Aug 2020 19:14:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 04:19:18.906379
• Title: Anatomy-Aware Cardiac Motion Estimation
• Title（参考訳）: 解剖学を意識した心臓運動推定
• Authors: Pingjun Chen, Xiao Chen, Eric Z. Chen, Hanchao Yu, Terrence Chen, Shanhui Sun
• Abstract要約: 心筋機能追跡は、シネMRIから直接心臓の動きを推定することができる。 現在の深層学習に基づくFT法は非現実的な心筋形状をもたらす可能性がある。 心臓運動推定のための新しいアナトミー・アウェア・トラッカー (AATracker) を提案する。
• 参考スコア（独自算出の注目度）: 11.680533842892107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiac motion estimation is critical to the assessment of cardiac function. Myocardium feature tracking (FT) can directly estimate cardiac motion from cine MRI, which requires no special scanning procedure. However, current deep learning-based FT methods may result in unrealistic myocardium shapes since the learning is solely guided by image intensities without considering anatomy. On the other hand, motion estimation through learning is challenging because ground-truth motion fields are almost impossible to obtain. In this study, we propose a novel Anatomy-Aware Tracker (AATracker) for cardiac motion estimation that preserves anatomy by weak supervision. A convolutional variational autoencoder (VAE) is trained to encapsulate realistic myocardium shapes. A baseline dense motion tracker is trained to approximate the motion fields and then refined to estimate anatomy-aware motion fields under the weak supervision from the VAE. We evaluate the proposed method on long-axis cardiac cine MRI, which has more complex myocardium appearances and motions than short-axis. Compared with other methods, AATracker significantly improves the tracking performance and provides visually more realistic tracking results, demonstrating the effectiveness of the proposed weakly-supervision scheme in cardiac motion estimation.
• Abstract（参考訳）: 心機能評価には心臓運動推定が重要である。 心筋機能追跡(FT)は、特別なスキャン手順を必要としないシネMRIから直接心臓の動きを推定することができる。 しかし,現在の深層学習に基づくFT法では,非現実的な心筋形状が生じる可能性がある。 一方,地絡運動場がほとんど得られないため,学習による運動推定は困難である。 本研究では,貧弱な管理によって解剖を保存できる新しい心臓運動推定用アナトミー・アウェア・トラッカー (AATracker) を提案する。 畳み込み変分オートエンコーダ(VAE)はリアル心筋形状をカプセル化するために訓練される。 ベースライン高密度モーショントラッカーは、運動場を近似するために訓練され、次に改良され、VAEの弱い監督の下で解剖学的に認識された運動場を推定する。 提案手法は, 短軸より複雑な心筋の出現と運動を有する長軸心筋シンチグラフィについて検討した。 他の方法と比較すると、aatrackerは追跡性能を大幅に改善し、視覚的によりリアルな追跡結果を提供し、提案する心臓運動推定における弱スーパービジョンスキームの有効性を示している。

関連論文リスト

• Unsupervised 4D Cardiac Motion Tracking with Spatiotemporal Optical Flow Networks [7.920406261260867]
  本稿では、空間的再構成損失と時間的整合損失を伴って、教師なし光フローネットワークを設計する動作追跡手法を提案する。 提案する損失関数はペアワイズと時間的相関を利用してノイズ背景から心臓の動きを推定する。 我々の知る限り、これは4次元心運動追跡のための教師なしエンドツーエンドのディープラーニング光フローネットワークを用いた最初の研究である。
  論文  参考訳（メタデータ） (2024-07-05T17:18:46Z)
• 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)
• Continuous 3D Myocardial Motion Tracking via Echocardiography [30.19879953016694]
  心筋運動追跡は、心臓血管疾患の予防と検出に不可欠な臨床ツールである。 現在の技術は、空間次元と時間次元の両方において、心筋の不完全かつ不正確な運動推定に悩まされている。 本稿では, 心臓の3次元構造と包括的6次元前/後方運動をモデル化するためのニューラル心運動場(ニューラルCMF)について紹介する。
  論文  参考訳（メタデータ） (2023-10-04T13:11:20Z)
• Motion Magnification in Robotic Sonography: Enabling Pulsation-Aware Artery Segmentation [44.868281669589194]
  スキャン中の動脈セグメンテーションの精度と安定性を改善するために,新しい脈動補助セグメンテーションニューラルネットワーク(PAS-NN)を提案する。 興味のある周波数帯域内の微妙な動きを増幅し、連続したUS画像から脈動信号を抽出するために、運動倍率技術を用いる。 抽出したリアルタイム脈動情報は、米国横断画像の動脈を見つけるのに役立つ。
  論文  参考訳（メタデータ） (2023-07-07T16:14:17Z)
• Live image-based neurosurgical guidance and roadmap generation using unsupervised embedding [53.992124594124896]
  本稿では,注釈付き脳外科ビデオの大規模なデータセットを活用するライブ画像のみのガイダンスを提案する。 生成されたロードマップは、トレーニングセットの手術で取られた一般的な解剖学的パスをエンコードする。 166例の腹腔鏡下腺摘出術を施行し,本法の有効性について検討した。
  論文  参考訳（メタデータ） (2023-03-31T12:52:24Z)
• Mesh-based 3D Motion Tracking in Cardiac MRI using Deep Learning [11.177851736773823]
  心臓機能評価と心血管疾患の診断には, 心臓磁気共鳴(CMR)画像からの3次元運動推定が重要である。 従来の手法のほとんどは、フルイメージ空間における画素/ボクセルの運動場の推定に重点を置いていた。 本研究では、心臓を3次元幾何メッシュとしてモデル化し、2次元短軸CMR画像から心臓メッシュの3次元運動を推定できる新しいディープラーニングベースの手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T15:10:27Z)
• MulViMotion: Shape-aware 3D Myocardial Motion Tracking from Multi-View Cardiac MRI [11.685829837689404]
  心臓の連続した3次元運動場を学習するためのマルチビューモーション推定ネットワーク(MulViMotion)を提案する。 左室心筋の3次元運動追跡のための英国バイオバンク研究の580名の被験者から得られた2D cine CMR画像に対する提案手法を広範に評価した。
  論文  参考訳（メタデータ） (2022-07-29T18:29:52Z)
• Continuous Decoding of Daily-Life Hand Movements from Forearm Muscle Activity for Enhanced Myoelectric Control of Hand Prostheses [78.120734120667]
  本研究では,前腕のEMG活性をハンドキネマティクスに連続的にマップする,長期記憶(LSTM)ネットワークに基づく新しい手法を提案する。 私たちの研究は、この困難なデータセットを使用するハンドキネマティクスの予測に関する最初の報告です。 提案手法は, 人工手指の複数のDOFの独立的, 比例的アクティベーションのための制御信号の生成に適していることが示唆された。
  論文  参考訳（メタデータ） (2021-04-29T00:11:32Z)
• Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
  本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。 我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。 そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
  論文  参考訳（メタデータ） (2020-06-28T21:03:19Z)
• 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)

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。