論文の概要: AtrialGeneral: Domain Generalization for Left Atrial Segmentation of
Multi-Center LGE MRIs
- arxiv url: http://arxiv.org/abs/2106.08727v2
- Date: Fri, 18 Jun 2021 01:26:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-21 10:47:19.896032
- Title: AtrialGeneral: Domain Generalization for Left Atrial Segmentation of
Multi-Center LGE MRIs
- Title（参考訳）: atrial general: domain generalization for left atrial segmentation of multi-center lge mri
- Authors: Lei Li and Veronika A. Zimmer and Julia A. Schnabel and Xiahai Zhuang
- Abstract要約: 左心房細動 (LA) は, 心房細動の治療計画において重要なステップである。
深層学習に基づく手法は、有望なLAセグメンテーション結果を提供することができるが、しばしば目に見えない領域に一般化する。
マルチセンターLGE MRIのLAセグメント化には4つの一般的なセマンティックセマンティックセマンティクスネットワークを用いる。
- 参考スコア（独自算出の注目度）: 18.22326892162902
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Left atrial (LA) segmentation from late gadolinium enhanced magnetic
resonance imaging (LGE MRI) is a crucial step needed for planning the treatment
of atrial fibrillation. However, automatic LA segmentation from LGE MRI is
still challenging, due to the poor image quality, high variability in LA
shapes, and unclear LA boundary. Though deep learning-based methods can provide
promising LA segmentation results, they often generalize poorly to unseen
domains, such as data from different scanners and/or sites. In this work, we
collect 210 LGE MRIs from different centers with different levels of image
quality. To evaluate the domain generalization ability of models on the LA
segmentation task, we employ four commonly used semantic segmentation networks
for the LA segmentation from multi-center LGE MRIs. Besides, we investigate
three domain generalization strategies, i.e., histogram matching, mutual
information based disentangled representation, and random style transfer, where
a simple histogram matching is proved to be most effective.
- Abstract（参考訳）: 後期gadolinium enhanced magnetic resonance imaging(lge mri)からの左心房分画は、心房細動の治療計画に必要な重要なステップである。
しかし, 画像品質の低さ, LA形状のばらつき, LA境界の不明瞭さにより, LGE MRIからの自動LA分割は依然として困難である。
ディープラーニングベースの手法は、有望なLAセグメンテーション結果を提供することができるが、しばしば、異なるスキャナやサイトからのデータなど、目に見えない領域に一般化する。
本研究では,画像品質の異なる複数の中心から210個のLGEMRIを収集する。
LAセグメンテーションタスクにおけるモデルのドメイン一般化能力を評価するために,マルチセンターLGE MRIからLAセグメンテーションによく使われる4つのセグメンテーションネットワークを用いた。
さらに, ヒストグラムマッチング, 相互情報に基づく不整合表現, ランダムなスタイル転送の3つの領域一般化戦略について検討し, 単純なヒストグラムマッチングが最も効果的であることを示した。
関連論文リスト
- SegmentAnyBone: A Universal Model that Segments Any Bone at Any Location
on MRI [13.912230325828943]
本稿では,MRIにおける骨分割のための汎用的,一般公開的なディープラーニングモデルを提案する。
提案モデルでは,完全自動セグメンテーションとプロンプトベースセグメンテーションの2つのモードで動作可能である。
1) さまざまなMRIプロトコルにまたがる新しいMRIデータセットの収集,注釈付けを行い,300以上の注釈付きボリュームと8485個の注釈付きスライスを含む。
論文 参考訳（メタデータ） (2024-01-23T18:59:25Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - 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) - Multi-center, multi-vendor automated segmentation of left ventricular
anatomy in contrast-enhanced MRI [0.7276738839986918]
本研究では,LGE-MRIにおけるマルチセンターとマルチベンダのLVセグメンテーションを初めて検討する。
トレーニングサンプルのイメージ変動を人工的に増強するデータ拡張、センター間でのLGE-MRI画像の分布調整のための画像調和、既存の単一中心モデルを調整するための移行学習、新しい臨床現場からの未確認画像への変換。
論文 参考訳（メタデータ） (2021-10-14T13:44:59Z) - Right Ventricular Segmentation from Short- and Long-Axis MRIs via
Information Transition [13.292060121301544]
本稿では、長軸(LA)ビューからの情報を利用して短軸(SA)ビューのセグメンテーションを支援する自動RVセグメンテーションフレームワークを提案する。
具体的には、LAビューから変換されたセグメンテーションを事前情報として、SAビューからROIを抽出し、セグメンテーションを改善する。
実験の結果, LAビューを含めることで, SAセグメンテーションの精度を向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-09-05T21:39:27Z) - Medical Image Analysis on Left Atrial LGE MRI for Atrial Fibrillation
Studies: A Review [18.22326892162902]
後期ガドリニウム造影MRI(LGE MRI)は左心房(LA)の傷跡の可視化と定量化に一般的に用いられている。
本稿では, LGE MRIによるLA空洞, 壁, 傷痕, アブレーションギャップのセグメンテーションと定量化のための計算手法について, 体系的に検討することを目的とする。
論文 参考訳（メタデータ） (2021-06-18T01:31:06Z) - 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) - 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)
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。