論文の概要: Fully automated deep learning based segmentation of normal, infarcted
and edema regions from multiple cardiac MRI sequences
- arxiv url: http://arxiv.org/abs/2008.07770v1
- Date: Tue, 18 Aug 2020 07:01:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 22:07:59.542900
- Title: Fully automated deep learning based segmentation of normal, infarcted
and edema regions from multiple cardiac MRI sequences
- Title（参考訳）: 正常,梗塞,浮腫領域の完全自動深層学習に基づく複数の心臓MRI画像からのセグメンテーション
- Authors: Xiaoran Zhang and Michelle Noga and Kumaradevan Punithakumar
- Abstract要約: 本稿では, 深部畳み込みニューラルネットワーク(CNN)を用いた心臓病理領域分割のための完全自動アプローチを提案する。
ネットワークへの入力は3つのCMR配列、すなわち、後期ガドリニウム増強(LGE)、T2、バランスの取れた定常状態フリー・プレセッション(bSSFP)から構成される。
提案手法は20のケースを含むテストセットを用いて,LV ME+MSの平均ダイススコアを46.8%,LV ME+MSの平均スコアを5.7%とする。
- 参考スコア（独自算出の注目度）: 0.3758535425255491
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Myocardial characterization is essential for patients with myocardial
infarction and other myocardial diseases, and the assessment is often performed
using cardiac magnetic resonance (CMR) sequences. In this study, we propose a
fully automated approach using deep convolutional neural networks (CNN) for
cardiac pathology segmentation, including left ventricular (LV) blood pool,
right ventricular blood pool, LV normal myocardium, LV myocardial edema (ME)
and LV myocardial scars (MS). The input to the network consists of three CMR
sequences, namely, late gadolinium enhancement (LGE), T2 and balanced steady
state free precession (bSSFP). The proposed approach utilized the data provided
by the MyoPS challenge hosted by MICCAI 2020 in conjunction with STACOM. The
training set for the CNN model consists of images acquired from 25 cases, and
the gold standard labels are provided by trained raters and validated by
radiologists. The proposed approach introduces a data augmentation module,
linear encoder and decoder module and a network module to increase the number
of training samples and improve the prediction accuracy for LV ME and MS. The
proposed approach is evaluated by the challenge organizers with a test set
including 20 cases and achieves a mean dice score of $46.8\%$ for LV MS and
$55.7\%$ for LV ME+MS
- Abstract（参考訳）: 心筋梗塞および他の心筋疾患の患者には, 心筋の特徴が不可欠であり, 心臓磁気共鳴(CMR)配列を用いて評価されることが多い。
本研究では,左室(左室)血液プール,右室(右室)血液プール,LV正常心筋,LV心筋浮腫(ME)およびLV心筋傷(MS)を含む,心疾患セグメント化のための深部畳み込みニューラルネットワーク(CNN)を用いた完全自動アプローチを提案する。
ネットワークへの入力は3つのCMR配列、すなわち、後期ガドリニウム増強(LGE)、T2、バランスの取れた定常自由前駆(bSSFP)から構成される。
提案手法は,STACOMとともにMICCAI 2020が主催するMyoPSチャレンジのデータを利用した。
CNNモデルのトレーニングセットは25のケースから取得した画像で構成され、金の標準ラベルは訓練されたレーダによって提供され、放射線技師によって検証される。
提案手法では,データ拡張モジュール,リニアエンコーダ,デコーダモジュール,ネットワークモジュールを導入して,トレーニングサンプル数を増加させ,lv meとmsの予測精度を向上させる。提案手法は,テストセット20例を含むチャレンジオーガナイザによって評価され,平均サイススコア46.8\%$,lv me+ms55.7\%$である。
関連論文リスト
- CaRe-CNN: Cascading Refinement CNN for Myocardial Infarct Segmentation
with Microvascular Obstructions [0.29958858726265647]
Cascading Refinement CNN (CaRe-CNN) は、完全に3Dでエンドツーエンドのトレーニングを受けた3段階のCNNケースである。
CaRe-CNNはFIMH 2023 MYOSAIQチャレンジに出場し、18チーム中2位にランクインした。
論文 参考訳（メタデータ） (2023-12-18T16:10:18Z) - MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining
Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。
myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。
この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
論文 参考訳（メタデータ） (2022-01-10T06:37:23Z) - Cascaded Convolutional Neural Network for Automatic Myocardial
Infarction Segmentation from Delayed-Enhancement Cardiac MRI [12.940103904327655]
心臓MRIによる自動心筋梗塞セグメンテーションのためのカスケード畳み込みニューラルネットワークを提案する。
本手法はmiccai 2020 emidec challengeデータセットで評価し, 心筋, 梗塞, 還流のない平均diceスコア 0.8786, 0.7124, 0.7851 をそれぞれ達成した。
論文 参考訳（メタデータ） (2020-12-28T07:41:10Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳（メタデータ） (2020-11-17T16:15:49Z) - Automatic Myocardial Infarction Evaluation from Delayed-Enhancement
Cardiac MRI using Deep Convolutional Networks [8.544381926074971]
臨床情報と遅延造影MRI(DE-MRI)による心筋梗塞自動評価のための新しいディープラーニングフレームワークを提案する。
2つのセグメンテーションニューラルネットワークを用いており、第1のネットワークは心筋や左室腔などの解剖学的構造をセグメンテーションするために使用される。
第2の課題は、ある症例をD-MRIの有無にかかわらず、臨床情報から正常または病理学的に自動的に分類することである。
論文 参考訳（メタデータ） (2020-10-30T11:18:25Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - 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) - CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for
Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
論文 参考訳（メタデータ） (2020-04-05T16:34:51Z)
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。