Fugu-MT 論文翻訳(概要): Cascaded Convolutional Neural Network for Automatic Myocardial Infarction Segmentation from Delayed-Enhancement Cardiac MRI

論文の概要: Cascaded Convolutional Neural Network for Automatic Myocardial Infarction Segmentation from Delayed-Enhancement Cardiac MRI

arxiv url: http://arxiv.org/abs/2012.14128v1
Date: Mon, 28 Dec 2020 07:41:10 GMT
ステータス: 処理完了
システム内更新日: 2021-04-19 10:57:15.909395
Title: Cascaded Convolutional Neural Network for Automatic Myocardial Infarction Segmentation from Delayed-Enhancement Cardiac MRI
Title（参考訳）: Delayed-Enhancement Cardiac MRIによる自動心筋梗塞分離のためのカスケード畳み込みニューラルネットワーク
Authors: Yichi Zhang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 12.940103904327655
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automatic segmentation of myocardial contours and relevant areas like infraction and no-reflow is an important step for the quantitative evaluation of myocardial infarction. In this work, we propose a cascaded convolutional neural network for automatic myocardial infarction segmentation from delayed-enhancement cardiac MRI. We first use a 2D U-Net to focus on the intra-slice information to perform a preliminary segmentation. After that, we use a 3D U-Net to utilize the volumetric spatial information for a subtle segmentation. Our method is evaluated on the MICCAI 2020 EMIDEC challenge dataset and achieves average Dice score of 0.8786, 0.7124 and 0.7851 for myocardium, infarction and no-reflow respectively, outperforms all the other teams of the segmentation contest.
Abstract（参考訳）: 心筋梗塞の定量的評価には, 心筋輪郭の自動分画と, 虚血や非逆流などの関連領域が重要である。そこで本研究では,遅延心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。まず,2次元U-Netを用いてスライス内情報に着目し,予備セグメンテーションを行う。その後,3次元U-Netを用いて空間情報を微妙なセグメンテーションに利用した。本手法は,MICCAI 2020 EMIDECチャレンジデータセットを用いて評価し,心筋,梗塞,非リフローの平均Diceスコア0.8786,0.7124,0.7851を達成し,セグメンテーションコンテストの他チームよりも優れていた。

関連論文リスト

CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文参考訳（メタデータ） (2022-06-22T14:19:06Z)
Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文参考訳（メタデータ） (2022-05-16T10:59:55Z)
An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
論文参考訳（メタデータ） (2022-04-26T14:20:26Z)
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)
A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文参考訳（メタデータ） (2021-10-24T18:58:40Z)
Synthetic Velocity Mapping Cardiac MRI Coupled with Automated Left Ventricle Segmentation [1.8268300764373178]
本稿では,3次元MVMデータの時間分解能を高めるためのフレーム合成アルゴリズムを提案する。我々のアルゴリズムは、時間分解能3Dir MVMを増大させるだけでなく、同時に心筋セグメンテーション結果を生成することもできる。
論文参考訳（メタデータ） (2021-10-04T10:20:27Z)
Towards Fully Automated Segmentation of Rat Cardiac MRI by Leveraging Deep Learning Frameworks [1.6020567943077142]
我々は,標準的なU-Netアーキテクチャ上に拡張されたセグメンテーションモデルを開発し,シストール相とダイアストル相の別々のモデルを評価する。ガウス過程を1MSAに適用することで、シストールとジアストールの選択を自動化できる。
論文参考訳（メタデータ） (2021-09-09T11:48:50Z)
Deep Learning methods for automatic evaluation of delayed enhancement-MRI. The results of the EMIDEC challenge [21.93792387878765]
EMIDECの課題は, 深層学習法が正常症例と病理症例とを区別できるかどうかを評価することである。造影剤投与後, 正常MRI50例, 心筋梗塞100例に分けて検討した。その結果,試験の自動分類は到達可能な課題であることが示唆された。
論文参考訳（メタデータ） (2021-08-09T13:15:25Z)
Myocardial Segmentation of Cardiac MRI Sequences with Temporal Consistency for Coronary Artery Disease Diagnosis [12.53412028532286]
本研究では,左室腔,右室腔,心筋の心臓MRI(CMR)スキャン画像のシークエンスのための心筋セグメンテーションフレームワークを提案する。我々のフレームワークは、Dice係数の最大2%のセグメンテーション精度を向上させることができる。
論文参考訳（メタデータ） (2020-12-29T01:54:09Z)
Cascaded Framework for Automatic Evaluation of Myocardial Infarction from Delayed-Enhancement Cardiac MRI [9.247774141419134]
まず、2D U-Netを使用して、左心室と心筋を含む心臓全体を分割します。新しい2D U-Netを使用して、心臓全体のROIの屈折および無リフロー領域をセグメント化します。本手法は,MICCAI 2020 EMIDECセグメンテーションタスクにおいて,Diceスコアが86.28%,62.24%,77.76%,心筋,非血流領域が77.76%,精度92%で第1位であった。
論文参考訳（メタデータ） (2020-12-29T01:35:02Z)
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)

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。