論文の概要: Multi-class probabilistic atlas-based whole heart segmentation method in
cardiac CT and MRI
- arxiv url: http://arxiv.org/abs/2102.01822v1
- Date: Wed, 3 Feb 2021 01:02:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 21:35:57.468663
- Title: Multi-class probabilistic atlas-based whole heart segmentation method in
cardiac CT and MRI
- Title（参考訳）: 心臓ctおよびmriにおけるマルチクラス確率的atlas-based all heart segmentation法
- Authors: Tarun Kanti Ghosh, Md. Kamrul Hasan, Shidhartho Roy, Md. Ashraful
Alam, Eklas Hossain, Mohiuddin Ahmad
- Abstract要約: 本稿では,非剛性登録に基づく確率的アトラスを用いたマルチクラス全心セグメンテーションの枠組みを提案する。
また,高い到達可能な相互情報を得るためのマルチレゾリューション戦略を利用した非剛性登録パイプラインを提案する。
提案手法は,CTスキャンにおいて平均ボリュームオーバーラップ誤差が14.5 % であることを示す。
- 参考スコア（独自算出の注目度）: 4.144197343838299
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and robust whole heart substructure segmentation is crucial in
developing clinical applications, such as computer-aided diagnosis and
computer-aided surgery. However, segmentation of different heart substructures
is challenging because of inadequate edge or boundary information, the
complexity of the background and texture, and the diversity in different
substructures' sizes and shapes. This article proposes a framework for
multi-class whole heart segmentation employing non-rigid registration-based
probabilistic atlas incorporating the Bayesian framework. We also propose a
non-rigid registration pipeline utilizing a multi-resolution strategy for
obtaining the highest attainable mutual information between the moving and
fixed images. We further incorporate non-rigid registration into the
expectation-maximization algorithm and implement different deep convolutional
neural network-based encoder-decoder networks for ablation studies. All the
extensive experiments are conducted utilizing the publicly available dataset
for the whole heart segmentation containing 20 MRI and 20 CT cardiac images.
The proposed approach exhibits an encouraging achievement, yielding a mean
volume overlapping error of 14.5 % for CT scans exceeding the state-of-the-art
results by a margin of 1.3 % in terms of the same metric. As the proposed
approach provides better-results to delineate the different substructures of
the heart, it can be a medical diagnostic aiding tool for helping experts with
quicker and more accurate results.
- Abstract（参考訳）: コンピュータ支援診断やコンピュータ支援手術などの臨床応用のためには、正確で堅牢な全心サブ構造セグメンテーションが重要である。
しかし, エッジ情報や境界情報, 背景やテクスチャの複雑さ, 異なるサブ構造の大きさや形状の多様性から, 異なるハートサブ構造のセグメンテーションは困難である。
本稿では、ベイズフレームワークを組み込んだ非リジッド登録に基づく確率論的アトラスを用いたマルチクラス全心セグメンテーションの枠組みを提案する。
また、移動画像と固定画像の最適な相互情報を得るためのマルチリゾリューション戦略を活用した非リジッド登録パイプラインも提案します。
さらに、予測最大化アルゴリズムに非剛性登録を組み込み、アブレーション研究のための深層畳み込みニューラルネットワークベースのエンコーダデコーダネットワークを実装した。
全実験は、20個のMRIと20個のCT心筋画像を含む全心セグメントの公開データセットを用いて行われた。
提案手法では, CTスキャンの平均体積重複誤差14.5%と, 最新の結果を超えるマージン1.3%と, 平均体積重複誤差14.5%を算出した。
提案したアプローチは、心臓の異なる部分構造をより正確に記述するのに役立つため、より迅速で正確な結果を専門家に伝えるための医療診断支援ツールとなる可能性がある。
関連論文リスト
- Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。
本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。
この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
論文 参考訳（メタデータ） (2024-10-14T14:32:05Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - AWSnet: An Auto-weighted Supervision Attention Network for Myocardial
Scar and Edema Segmentation in Multi-sequence Cardiac Magnetic Resonance
Images [23.212429566838203]
マルチシーケンスCMRデータから傷痕と浮腫のセグメンテーションに取り組むための,新しい自動重み付け監視フレームワークを開発した。
また, より小さな心筋病変領域の分画を, 形状の事前知識で促進する, 粗大から細大の枠組みを設計した。
マルチシーケンスCMRデータを用いた心筋病理診断の進歩に期待できる。
論文 参考訳（メタデータ） (2022-01-14T08:59:54Z) - Cross-Modality Deep Feature Learning for Brain Tumor Segmentation [158.8192041981564]
本稿では, マルチモーダルMRIデータから脳腫瘍を抽出するクロスモーダルディープ・フィーチャーラーニング・フレームワークを提案する。
中心となる考え方は、不十分なデータスケールを補うために、マルチモダリティデータにまたがる豊富なパターンをマイニングすることだ。
on the BraTS benchmarks, this proposed cross-modality deep feature learning framework could effective improve the brain tumor segmentation performance。
論文 参考訳（メタデータ） (2022-01-07T07:46:01Z) - Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。
これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。
形状と境界認識機能を利用する新しいモデルを提案する。
論文 参考訳（メタデータ） (2021-05-27T13:54:59Z) - 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) - 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) - 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。