論文の概要: Reciprocal Landmark Detection and Tracking with Extremely Few Annotations

• arxiv url: http://arxiv.org/abs/2101.11224v1
• Date: Wed, 27 Jan 2021 06:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-02-01 22:55:12.131586
• Title: Reciprocal Landmark Detection and Tracking with Extremely Few Annotations
• Title（参考訳）: 極端に少ないアノテーションによる相互ランドマークの検出と追跡
• Authors: Jianzhe Lin, Ghazal Sahebzamani, Christina Luong, Fatemeh Taheri Dezaki, Mohammad Jafari, Purang Abolmaesumi, Teresa Tsang
• Abstract要約: 本稿では,心エコーラベルのスパース特性を扱うために,新しいエンドツーエンドの相互検出・追跡モデルを提案する。 このモデルは、心臓のシネシーケンス全体にわたって注釈付きフレームをほとんど使わずにトレーニングされ、ランドマークの一貫した検出と追跡が生成される。
• 参考スコア（独自算出の注目度）: 10.115679843920958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Localization of anatomical landmarks to perform two-dimensional measurements in echocardiography is part of routine clinical workflow in cardiac disease diagnosis. Automatic localization of those landmarks is highly desirable to improve workflow and reduce interobserver variability. Training a machine learning framework to perform such localization is hindered given the sparse nature of gold standard labels; only few percent of cardiac cine series frames are normally manually labeled for clinical use. In this paper, we propose a new end-to-end reciprocal detection and tracking model that is specifically designed to handle the sparse nature of echocardiography labels. The model is trained using few annotated frames across the entire cardiac cine sequence to generate consistent detection and tracking of landmarks, and an adversarial training for the model is proposed to take advantage of these annotated frames. The superiority of the proposed reciprocal model is demonstrated using a series of experiments.
• Abstract（参考訳）: 心エコー検査における2次元測定を行う解剖学的ランドマークの局在化は、心臓疾患診断における日常的な臨床ワークフローの一部である。 これらのランドマークの自動ローカライズは、ワークフローを改善し、オブザーバ間のばらつきを低減するために非常に望ましい。 このようなローカライズを行うための機械学習フレームワークのトレーニングは、金の標準ラベルのばらばらな性質から妨げられている。 本稿では,心エコーラベルのスパース特性に特化して設計された,新しいエンドツーエンドの相互検出・追跡モデルを提案する。 このモデルでは, 心筋シネ列全体にわたって少数のアノテートフレームを用いて, ランドマークの検出と追跡を一貫したものにし, それらのアノテートフレームを活用すべく, 敵対的トレーニングが提案されている。 提案する相反モデルの優越性は,一連の実験により実証された。

関連論文リスト

• EchoWorld: Learning Motion-Aware World Models for Echocardiography Probe Guidance [79.66329903007869]
  本稿では,プローブ誘導のためのモーションアウェアな世界モデリングフレームワークであるEchoWorldを紹介する。 解剖学的な知識と運動によって引き起こされる視覚力学を符号化する。 200以上の定期的なスキャンから100万枚以上の超音波画像で訓練されている。
  論文  参考訳（メタデータ） (2025-04-17T16:19:05Z)
• Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
  リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。 第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。 第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
  論文  参考訳（メタデータ） (2024-04-12T20:39:19Z)
• Weakly-Supervised Learning via Multi-Lateral Decoder Branching for Guidewire Segmentation in Robot-Assisted Cardiovascular Catheterization [4.894147633944561]
  心臓血管造影検査におけるツールセグメンテーションのための多面的擬似ラベリングを用いた弱教師付き学習法を提案する。 我々は,ロボット心カテーテル手術中に得られた弱注釈データを用いて,エンドツーエンドのモデルを訓練した。 従来の3種類の心血管造影法と比較して,3種類の心血管造影データに対して高いセグメンテーション性能を示した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:44Z)
• View Classification and Object Detection in Cardiac Ultrasound to Localize Valves via Deep Learning [0.0]
  本稿では、ディープニューラルネットワークを用いて、分類とローカライゼーションのステップを分離する機械学習パイプラインを提案する。 パイプラインの第1ステップとして,心の解剖学的所見が10個ある心エコー図にビュー分類を適用した。 第2のステップでは、深層学習に基づく物体検出をバルブの局所化と識別の両方に応用する。
  論文  参考訳（メタデータ） (2023-10-31T18:16:02Z)
• One-Shot Medical Landmark Localization by Edge-Guided Transform and Noisy Landmark Refinement [59.14062241534754]
  医用ランドマークのワンショット化のための2段階のフレームワークを提案する。 ステージIでは,新たな損失関数の指導の下で,グローバルアライメントと局所変形のエンドツーエンドのカスケードを学習する。 ステージIIでは,信頼性の高い擬似ラベルを選択するための自己整合性や,半教師付き学習のための相互整合性について検討する。
  論文  参考訳（メタデータ） (2022-07-31T15:42:28Z)
• Robust Landmark-based Stent Tracking in X-ray Fluoroscopy [10.917460255497227]
  単一ステントトラッキングのためのエンドツーエンドのディープラーニングフレームワークを提案する。 U-Netベースのランドマーク検出、ResNetベースのステント提案、機能抽出の3つの階層モジュールで構成されている。 実験により,本手法は最先端のポイントベース追跡モデルと比較して,検出精度が有意に向上していることが示された。
  論文  参考訳（メタデータ） (2022-07-20T14:20:03Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Generative Myocardial Motion Tracking via Latent Space Exploration with Biomechanics-informed Prior [16.129107206314043]
  心筋運動と変形は、心臓機能を特徴づける豊富な記述子である。 画像登録は、心筋運動追跡において最も一般的に用いられる手法であり、不適切な逆問題である。 本稿では,アプリケーション固有のバイオメカニクスを前もって暗黙的に学習する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-08T12:02:00Z)
• Contrastive Learning for View Classification of Echocardiograms [5.60187022176608]
  不均衡な心エコーデータセットに対するビュー分類モデルを訓練し、最小ラベル付きデータが利用できるビュー/クラスの性能向上を示す。 また,本モデルと比較すると,F1スコアを最大26%向上させながら,十分にラベル付けされたトレーニング観察を行うことができた。
  論文  参考訳（メタデータ） (2021-08-06T13:48:06Z)
• Development and evaluation of intraoperative ultrasound segmentation with negative image frames and multiple observer labels [0.17159130619349347]
  セグメンテーションネットワークに先立って,プレスクリーン分類ネットワークの有用性を評価する。 従来提案されていたランダムサンプリングとコンセンサスラベルを組み合わせたアプローチは,本アプリケーションでよく機能するために適応する必要がある可能性があることを実験的に示す。
  論文  参考訳（メタデータ） (2021-07-28T12:15:49Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
  本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。 我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。 そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
  論文  参考訳（メタデータ） (2020-06-28T21:03:19Z)

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。