論文の概要: Shape Constrained CNN for Cardiac MR Segmentation with Simultaneous Prediction of Shape and Pose Parameters

• arxiv url: http://arxiv.org/abs/2010.08952v1
• Date: Sun, 18 Oct 2020 09:51:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 04:32:53.209279
• Title: Shape Constrained CNN for Cardiac MR Segmentation with Simultaneous Prediction of Shape and Pose Parameters
• Title（参考訳）: 形状とポスパラメータの同時予測による心臓MRI分割のための形状拘束型CNN
• Authors: Sofie Tilborghs, Tom Dresselaers, Piet Claus, Jan Bogaert, Frederik Maes
• Abstract要約: 統計的形状モデルから得られたポーズパラメータと形状パラメータの回帰により,LVと心筋セグメンテーションを行う。 トレーニング中に分割距離マップを同時に構築することにより,形状の頑健さとポーズの予測を行う。 この方法はLVQuan18とLVQuan19の公開データセットで検証され、最先端の結果を得た。
• 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: Semantic segmentation using convolutional neural networks (CNNs) is the state-of-the-art for many medical segmentation tasks including left ventricle (LV) segmentation in cardiac MR images. However, a drawback is that these CNNs lack explicit shape constraints, occasionally resulting in unrealistic segmentations. In this paper, we perform LV and myocardial segmentation by regression of pose and shape parameters derived from a statistical shape model. The integrated shape model regularizes predicted segmentations and guarantees realistic shapes. Furthermore, in contrast to semantic segmentation, it allows direct calculation of regional measures such as myocardial thickness. We enforce robustness of shape and pose prediction by simultaneously constructing a segmentation distance map during training. We evaluated the proposed method in a fivefold cross validation on a in-house clinical dataset with 75 subjects containing a total of 1539 delineated short-axis slices covering LV from apex to base, and achieved a correlation of 99% for LV area, 94% for myocardial area, 98% for LV dimensions and 88% for regional wall thicknesses. The method was additionally validated on the LVQuan18 and LVQuan19 public datasets and achieved state-of-the-art results.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)を用いたセマンティックセグメンテーションは、心臓MRI画像における左室セグメンテーション(LV)を含む多くの医療セグメンテーションタスクの最先端技術である。 しかし、これらのCNNには明確な形状制約がなく、時に非現実的なセグメンテーションが生じるという欠点がある。 本稿では,統計的形状モデルから得られたポーズパラメータと形状パラメータの回帰により,LVと心筋セグメンテーションを行う。 統合形状モデルは予測されたセグメンテーションを規則化し、現実的な形状を保証する。 さらに、セマンティックセグメンテーションとは対照的に、心筋の厚さなどの局所的な測定を直接計算することができる。 トレーニング中に分割距離マップを同時に構築することにより,形状の頑健さとポーズの予測を行う。 そこで本研究では,本研究で提案手法を検討した結果,本研究で提案する75名を対象に,全国75名を対象に実施した臨床データを用いた5倍のクロス検証を行い,lv領域99%,心筋領域94%,lv次元98%,局所壁厚88%の相関が得られた。 この手法はLVQuan18とLVQuan19の公開データセットで検証され、最先端の結果を得た。

関連論文リスト

• Deep Learning for Multi-Level Detection and Localization of Myocardial Scars Based on Regional Strain Validated on Virtual Patients [0.14980193397844668]
  我々は, 心筋疾患の基質をグローバル, 領域, セグメントレベルで予測するための単一の枠組みを提案する。 臨床標準ブルジー表現から多チャンネル2D画像への入力データの解剖学的意味の表現を提案する。 The Fully Convolutional Network (FCN) is trained to detect and localization myocardial scar from Regional left Venentricular (LV) strain pattern。
  論文  参考訳（メタデータ） (2024-03-15T13:31:33Z)
• Signed Distance Field based Segmentation and Statistical Shape Modelling of the Left Atrial Appendage [0.13431733228151765]
  心房細動の患者は虚血性脳梗塞のリスクを5〜7倍に高める。 血栓局在の最も一般的な部位は左心房補助 (LAA) 内である 研究により、LAAの形状と虚血性脳卒中リスクの相関が示されている。
  論文  参考訳（メタデータ） (2024-02-12T15:21:58Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• Deep Statistic Shape Model for Myocardium Segmentation [10.381467202920303]
  本稿では, 形状整合性と境界対応性の両方を保ち, 心筋セグメンテーションに焦点をあてる新しいエンド・ツー・エンドの深部統計形状モデルを提案する。 ディープニューラルネットワークは変換パラメータを予測するために使用され、平均点雲を画像領域にワープするために使用される。 より正確なポイントクラウドを学ぶために、マスク監視をフレームワークに組み込むために、差別化可能なレンダリング層が導入されている。
  論文  参考訳（メタデータ） (2022-07-21T17:01:24Z)
• Shape constrained CNN for segmentation guided prediction of myocardial shape and pose parameters in cardiac MRI [0.6445605125467573]
  我々は、CNNを用いて、心筋の統計的形状モデルの形状パラメータを予測する。 統合形状モデルは予測輪郭を規則化し、現実的な形状を保証する。 形状パラメータの予測に,同時セマンティックセグメンテーションと2つの新たに定義された損失関数の利点を示す。
  論文  参考訳（メタデータ） (2022-03-02T13:20:30Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• 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。