論文の概要: Semi-supervised Cardiac Image Segmentation via Label Propagation and Style Transfer

• arxiv url: http://arxiv.org/abs/2012.14785v1
• Date: Tue, 29 Dec 2020 14:57:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-18 20:30:00.443167
• Title: Semi-supervised Cardiac Image Segmentation via Label Propagation and Style Transfer
• Title（参考訳）: ラベル伝播とスタイル伝達による半教師付き心臓画像分割
• Authors: Yao Zhang, Jiawei Yang, Feng Hou, Yang Liu, Yixin Wang, Jiang Tian, Cheng Zhong, Yang Zhang, and Zhiqiang He
• Abstract要約: 左心室(LV)と右心室(RV)の血液プールを含む心臓構造を分割するためのフルオートマチックな方法を提案する。 具体的には,ラベル伝搬によるmriシーケンス時間枠を利用した半教師付き学習法を考案する。 私達はより強い心臓イメージの区分のための異なった中心およびベンダー間の分散を減らすために様式の移動を利用します。
• 参考スコア（独自算出の注目度）: 21.160227706899974
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate segmentation of cardiac structures can assist doctors to diagnose diseases, and to improve treatment planning, which is highly demanded in the clinical practice. However, the shortage of annotation and the variance of the data among different vendors and medical centers restrict the performance of advanced deep learning methods. In this work, we present a fully automatic method to segment cardiac structures including the left (LV) and right ventricle (RV) blood pools, as well as for the left ventricular myocardium (MYO) in MRI volumes. Specifically, we design a semi-supervised learning method to leverage unlabelled MRI sequence timeframes by label propagation. Then we exploit style transfer to reduce the variance among different centers and vendors for more robust cardiac image segmentation. We evaluate our method in the M&Ms challenge 7 , ranking 2nd place among 14 competitive teams.
• Abstract（参考訳）: 心臓構造の正確なセグメンテーションは、医師が病気を診断するのを手助けし、治療計画の改善に役立てることができる。 しかし、アノテーションの不足と異なるベンダーや医療センター間のデータのばらつきにより、高度な深層学習手法の性能が制限される。 そこで本研究では,左室(lv)と右室(rv)の血流プールを含む心筋構造とmriの左室心筋(myo)を完全自動で区分する方法を提案する。 具体的には,ラベル伝搬によるmriシーケンス時間枠を利用した半教師付き学習法を考案する。 そして、よりロバストな心臓画像分割のために、異なるセンターやベンダー間のばらつきを減らすためにスタイル転送を利用する。 本手法をm&msチャレンジ7で評価し,14チーム中2位にランクした。

関連論文リスト

• Gaussian Process Emulators for Few-Shot Segmentation in Cardiac MRI [0.629740011146996]
  本稿では,U-Netアーキテクチャとガウスプロセスエミュレータ(GPE)を併用した数ショット学習手法を提案する。 GPEは、遅延空間におけるサポートイメージと対応するマスクの関係を学習するために訓練され、目に見えないクエリイメージのセグメンテーションを容易にする。 我々は、M&Ms-2パブリックデータセットを用いて、心臓磁気共鳴画像における心臓のセグメンテーション能力を評価する。
  論文  参考訳（メタデータ） (2024-11-11T12:13:58Z)
• 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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• A Comprehensive 3-D Framework for Automatic Quantification of Late Gadolinium Enhanced Cardiac Magnetic Resonance Images [5.947543669357994]
  後期ガドリニウム増強(LGE)心筋磁気共鳴(CMR)は、高強度の非生存性心筋を直接可視化することができる。 心臓発作患者に対しては,LGE CMR画像の解析と定量化により適切な治療の決定を容易にすることが重要である。 正確な定量化を実現するためには、LGE CMR画像は心筋の分画と梗塞の分類の2つのステップで処理する必要がある。
  論文  参考訳（メタデータ） (2022-05-21T11:54:39Z)
• 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)
• Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs [49.32653090178743]
  畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。 CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。 深層学習に基づく手法が古典的アプローチより優れていることが実証された。
  論文  参考訳（メタデータ） (2020-08-05T08:49:20Z)
• Learning Directional Feature Maps for Cardiac MRI Segmentation [13.389141642517762]
  本稿では,クラス間の差分とクラス内の類似度を同時に強化する指向性特徴写像を利用する新しい手法を提案する。 具体的には,最寄りの心臓組織の境界から各ピクセルに向けられた方向のフィールドを学習する。 学習方向のフィールドに基づいて、元のセグメンテーション機能を改善するために、特徴修正と融合(FRF)モジュールを提案する。
  論文  参考訳（メタデータ） (2020-07-22T11:31:04Z)
• 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)
• Automatic Right Ventricle Segmentation using Multi-Label Fusion in Cardiac MRI [4.655680114261973]
  心臓磁気共鳴画像(MRI)におけるRVの完全自動分割法を提案する。 本手法は,マルチアトラス伝搬セグメンテーションフレームワークと組み合わせた粗大なセグメンテーション戦略を用いる。 本手法は, 相互相関測定値に基づいて, 伝播の各繰り返しにおけるセグメンテーションの洗練を実現するために, 伝搬のための最適なアトラスを選択する。
  論文  参考訳（メタデータ） (2020-04-05T21:06:15Z)

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。