論文の概要: A deep learning pipeline for identification of motor units in musculoskeletal ultrasound

• arxiv url: http://arxiv.org/abs/2010.03028v1
• Date: Wed, 23 Sep 2020 20:44:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 15:52:28.125110
• Title: A deep learning pipeline for identification of motor units in musculoskeletal ultrasound
• Title（参考訳）: 筋骨格超音波による運動単位同定のための深部学習パイプライン
• Authors: Hazrat Ali, Johannes Umander, Robin Rohl\'en and Christer Gr\"onlund
• Abstract要約: 超高速超音波を用いて個々のMUの機械的応答を記録・解析できることが示されている。 本稿では,超音波画像系列のアクティブMUを特定するための方法として,深層学習パイプラインを提案する。 複雑なアクティベーションパターンと重なり合う領域を模倣したシミュレーションデータを用いてモデルを評価する。
• 参考スコア（独自算出の注目度）: 0.5249805590164902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound imaging provides information from a large part of the muscle. It has recently been shown that ultrafast ultrasound imaging can be used to record and analyze the mechanical response of individual MUs using blind source separation. In this work, we present an alternative method - a deep learning pipeline - to identify active MUs in ultrasound image sequences, including segmentation of their territories and signal estimation of their mechanical responses (twitch train). We train and evaluate the model using simulated data mimicking the complex activation pattern of tens of activated MUs with overlapping territories and partially synchronized activation patterns. Using a slow fusion approach (based on 3D CNNs), we transform the spatiotemporal image sequence data to 2D representations and apply a deep neural network architecture for segmentation. Next, we employ a second deep neural network architecture for signal estimation. The results show that the proposed pipeline can effectively identify individual MUs, estimate their territories, and estimate their twitch train signal at low contraction forces. The framework can retain spatio-temporal consistencies and information of the mechanical response of MU activity even when the ultrasound image sequences are transformed into a 2D representation for compatibility with more traditional computer vision and image processing techniques. The proposed pipeline is potentially useful to identify simultaneously active MUs in whole muscles in ultrasound image sequences of voluntary skeletal muscle contractions at low force levels.
• Abstract（参考訳）: 超音波イメージングは筋肉の大部分からの情報を提供する。 近年,超高速超音波画像を用いて個々のmusの機械的応答をブラインドソース分離を用いて記録・解析できることが示されている。 本研究では,超音波画像中の活動的ミューズを同定するための新しい手法である深層学習パイプラインを提案し,その領域の分割や機械的応答の信号推定(twitchトレイン)について述べる。 重なり合う領域と部分的に同期されたアクティベーションパターンを持つ数個のアクティベーションMUの複雑なアクティベーションパターンを模倣したシミュレーションデータを用いてモデルを構築し評価する。 3次元CNNをベースとした遅い融合手法を用いて、時空間画像シーケンスデータを2次元表現に変換し、セグメンテーションにディープニューラルネットワークアーキテクチャを適用する。 次に,第2のディープニューラルネットワークアーキテクチャを用いて信号推定を行う。 その結果,提案パイプラインは個々のmusを効果的に識別し,その領域を推定し,低収縮力でtwitch列車信号を推定できることがわかった。 このフレームワークは、超音波画像シーケンスが従来のコンピュータビジョンや画像処理技術と互換性のある2次元表現に変換された場合でも、時空間的構成とmu活動の機械的応答の情報を保持することができる。 提案するパイプラインは,低力レベルでの随意性骨格筋収縮の超音波画像解析において,全筋において同時に活動するミューズを同定するのに有用である。

関連論文リスト

• Vascular Segmentation of Functional Ultrasound Images using Deep Learning [0.0]
  機能的超音波(fUS)画像のための,最初のディープラーニングベースセグメンテーションツールを紹介する。 競合セグメンテーション性能を90%の精度で達成し、71%の堅牢性と0.59のIUをfUSスタックから100フレームの時間フレームで実現した。 この研究は、ローカライゼーション顕微鏡に代わる非侵襲的で費用効果の高い代替手段を提供し、fUSデータの解釈を強化し、血管機能の理解を改善している。
  論文  参考訳（メタデータ） (2024-10-28T09:00:28Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Real-Time Model-Based Quantitative Ultrasound and Radar [65.268245109828]
  本稿では,波動伝搬の物理モデルに基づくニューラルネットワークを提案し,受信信号と物理特性の関係を定義した。 我々のネットワークは、複雑で現実的なシナリオのために、1秒未満で複数の物理的特性を再構築することができる。
  論文  参考訳（メタデータ） (2024-02-16T09:09:16Z)
• Cardiac ultrasound simulation for autonomous ultrasound navigation [4.036497185262817]
  本稿では,他のモーダルや任意の位置から大量の超音波画像を生成する手法を提案する。 本稿では,他のモダリティからのセグメンテーション,最適化されたデータ表現,GPUによるモンテカルロ経路のトレースを用いた新しいシミュレーションパイプラインを提案する。 提案手法により,患者固有の超音波画像の高速かつ正確な生成が可能となり,ナビゲーション関連タスクのためのトレーニングネットワークのユーザビリティが実証された。
  論文  参考訳（メタデータ） (2024-02-09T15:14:48Z)
• 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)
• LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
  超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。 既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。 本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T16:29:39Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• Deep learning facilitates fully automated brain image registration of optoacoustic tomography and magnetic resonance imaging [6.9975936496083495]
  マルチスペクトル光音響トモグラフィ(Multi-spectral optoacoustic tomography、MSOT)は、歯状脳からの多重分子および機能情報を提供する新しい光学イメージング法である。 磁気共鳴イメージング(MRI)により、優れたソフト・コントラストと高分解能脳解剖学を提供することができる。 マルチモーダル画像の登録は、主にこれらのモダリティによって描画される全く異なる画像コントラストのために、依然として困難である。 本稿では,深層学習によるMSOT-MRIマルチモーダル画像の完全自動登録手法を提案する。
  論文  参考訳（メタデータ） (2021-09-04T14:50:44Z)
• A Spatiotemporal Volumetric Interpolation Network for 4D Dynamic Medical Image [18.670134909724723]
  本研究では,4次元ダイナミック・メディカル・イメージのためのボリューム・モーション・ネットワーク(VINS)を提案する。 実験の結果,SVINは最先端の時間的医療手法と自然ビデオ法に優れていた。
  論文  参考訳（メタデータ） (2020-02-28T12:40:34Z)

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。