論文の概要: Unsupervised Domain Adaptation from Axial to Short-Axis Multi-Slice Cardiac MR Images by Incorporating Pretrained Task Networks

• arxiv url: http://arxiv.org/abs/2101.07653v2
• Date: Wed, 20 Jan 2021 08:25:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 11:25:16.037365
• Title: Unsupervised Domain Adaptation from Axial to Short-Axis Multi-Slice Cardiac MR Images by Incorporating Pretrained Task Networks
• Title（参考訳）: 予め訓練されたタスクネットワークを組み込んだマルチスライス型MR画像からの教師なし領域適応
• Authors: Sven Koehler, Tarique Hussain, Zach Blair, Tyler Huffaker, Florian Ritzmann, Animesh Tandon, Thomas Pickardt, Samir Sarikouch, Heiner Latus, Gerald Greil, Ivo Wolf, Sandy Engelhardt
• Abstract要約: AX と SAX CMR 画像の間にはかなりの領域シフトがあることが示されている。 タスク関連確率を注意メカニズムとして用いる新しい非監視領域適応手法を提案する。 トレーニング済みのタスクモジュールは、ターゲットドメインからcmrイメージやラベルを見たことがないが、ドメインギャップが減った後にそれらをセグメント化することができる。
• 参考スコア（独自算出の注目度）: 0.6437191714189735
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Anisotropic multi-slice Cardiac Magnetic Resonance (CMR) Images are conventionally acquired in patient-specific short-axis (SAX) orientation. In specific cardiovascular diseases that affect right ventricular (RV) morphology, acquisitions in standard axial (AX) orientation are preferred by some investigators, due to potential superiority in RV volume measurement for treatment planning. Unfortunately, due to the rare occurrence of these diseases, data in this domain is scarce. Recent research in deep learning-based methods mainly focused on SAX CMR images and they had proven to be very successful. In this work, we show that there is a considerable domain shift between AX and SAX images, and therefore, direct application of existing models yield sub-optimal results on AX samples. We propose a novel unsupervised domain adaptation approach, which uses task-related probabilities in an attention mechanism. Beyond that, cycle consistency is imposed on the learned patient-individual 3D rigid transformation to improve stability when automatically re-sampling the AX images to SAX orientations. The network was trained on 122 registered 3D AX-SAX CMR volume pairs from a multi-centric patient cohort. A mean 3D Dice of $0.86\pm{0.06}$ for the left ventricle, $0.65\pm{0.08}$ for the myocardium, and $0.77\pm{0.10}$ for the right ventricle could be achieved. This is an improvement of $25\%$ in Dice for RV in comparison to direct application on axial slices. To conclude, our pre-trained task module has neither seen CMR images nor labels from the target domain, but is able to segment them after the domain gap is reduced. Code: https://github.com/Cardio-AI/3d-mri-domain-adaptation
• Abstract（参考訳）: 異方性多重スライス心磁気共鳴(CMR)画像は従来,患者特異的短軸方向(SAX)で取得されていた。 右室形態(rv)に影響を及ぼす特定の心血管疾患では、治療計画においてrv容積測定が優れている可能性があるため、標準軸方向(ax)の獲得が好ましい。 残念ながら、これらの病気のまれな発生のため、この領域のデータは少ない。 近年,SAX CMR画像に焦点をあてた深層学習手法の研究が盛んに行われている。 本研究では, AX 画像と SAX 画像の間に領域シフトがかなりあり, 既存のモデルを直接適用することで, AX サンプルに対して準最適結果が得られることを示す。 本稿では,注意機構にタスク関連確率を用いる,教師なしドメイン適応手法を提案する。 さらに、AX画像をSAX配向に自動的に再サンプリングする際の安定性を向上させるために、学習した患者と個別の3D剛体変換にサイクル一貫性が課される。 ネットワークは122個の登録された3d ax-sax cmrボリュームペアで訓練された。 平均3Dディスは左心室では0.86\pm{0.06}$、心筋では0.65\pm{0.08}$、右心室では0.77\pm{0.10}$である。 これは、アキシャルスライスへの直接適用と比較して、RV向けのDiceの25\%$の改善である。 結論として、トレーニング済みのタスクモジュールは、対象ドメインからのCMRイメージやラベルは見ていないが、ドメインギャップが減った後にセグメント化することが可能である。 コード:https://github.com/Cardio-AI/3d-mri- domain-adaptation

関連論文リスト

• Whole Heart 3D+T Representation Learning Through Sparse 2D Cardiac MR Images [13.686473040836113]
  本研究では,心臓スタック全体にわたる空間的パッチと時間的パッチの相関関係を自動的に解明する,完全自己教師型学習フレームワークを提案する。 我々は、UK BioBankから14,000のラベルなしCMRデータをトレーニングし、1000の注釈付きデータで評価する。
  論文  参考訳（メタデータ） (2024-06-01T07:08:45Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Self-supervised motion descriptor for cardiac phase detection in 4D CMR based on discrete vector field estimations [1.5755566067326996]
  本研究では, 変形可能なベクトル場を用いて心循環の動的過程を, 導出した1次元モーションディスクリプタの形で効率的に記述する方法を示す。 我々は, マルチディスリーブ, センター, 走査型短軸CMRデータセットにおけるモーションディスクリプタの妥当性を評価する。
  論文  参考訳（メタデータ） (2022-09-13T07:23:17Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Tempera: Spatial Transformer Feature Pyramid Network for Cardiac MRI Segmentation [0.41371009341458315]
  本研究は,短軸心MR画像と長軸心MR画像の両方において,RVのセグメンテーションに重点を置いている。 このモデルでは,SAとLAの平均Diceスコアは0.836,LAは0.798,Hausdorff距離は26.31mm,Hausdorff距離は31.19mmである。
  論文  参考訳（メタデータ） (2022-03-01T11:05:51Z)
• SCPM-Net: An Anchor-free 3D Lung Nodule Detection Network using Sphere Representation and Center Points Matching [47.79483848496141]
  3次元球面表現に基づく中心点マッチング検出ネットワーク(SCPM-Net)を提案する。 アンカーフリーで、nodule/anchorパラメータを手動で設計することなく、nodulesの位置、半径、オフセットを自動的に予測する。 提案するSCPM-Netフレームワークは,既存のアンカーベースおよびアンカーフリーの肺結節検出法と比較して,優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2021-04-12T05:51:29Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Enhanced 3D Myocardial Strain Estimation from Multi-View 2D CMR Imaging [0.0]
  CMR SSFP画像からの複数方向からの相補的変位情報を組み合わせた3次元心筋ひずみ推定法を提案する。 商用ソフトウェア(セグメント,メドビソ)に実装された2次元非剛性登録アルゴリズムを用いて,短軸,4角,2角のビューのセットを登録する。 次に, 運動3方向の補間関数を作成し, 患者固有の左室の四面体メッシュ表現を変形させる。
  論文  参考訳（メタデータ） (2020-09-25T22:47:50Z)
• 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)

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。