論文の概要: Convolutional module for heart localization and segmentation in MRI

• arxiv url: http://arxiv.org/abs/2107.09134v1
• Date: Mon, 19 Jul 2021 20:19:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 23:41:57.013684
• Title: Convolutional module for heart localization and segmentation in MRI
• Title（参考訳）: MRIにおける心臓局在とセグメンテーションのための畳み込みモジュール
• Authors: Daniel Lima, Catharine Graves, Marco Gutierrez, Bruno Brandoli, Jose Rodrigues-Jr
• Abstract要約: 4次元MRIで心臓の動きを検出するモジュールであるVisual-Motion-Focus(VMF)について述べるとともに、推定運動場に放射基底関数(RBF)を集中させることでROIを強調する。 提案したROIがデータラベル(リコールスコア)の99.7%をカバーすること、ROI抽出後のCNNセグメンテーション(平均Diceスコア)を1.7(p.001)改善すること、トレーニング全体の速度を2.5倍(+150%)改善すること、3つのCMRデータセットを用いてVMFを実験・評価した。
• 参考スコア（独自算出の注目度）: 0.9686599230217795
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Magnetic resonance imaging (MRI) is a widely known medical imaging technique used to assess the heart function. Deep learning (DL) models perform several tasks in cardiac MRI (CMR) images with good efficacy, such as segmentation, estimation, and detection of diseases. Many DL models based on convolutional neural networks (CNN) were improved by detecting regions-of-interest (ROI) either automatically or by hand. In this paper we describe Visual-Motion-Focus (VMF), a module that detects the heart motion in the 4D MRI sequence, and highlights ROIs by focusing a Radial Basis Function (RBF) on the estimated motion field. We experimented and evaluated VMF on three CMR datasets, observing that the proposed ROIs cover 99.7% of data labels (Recall score), improved the CNN segmentation (mean Dice score) by 1.7 (p < .001) after the ROI extraction, and improved the overall training speed by 2.5 times (+150%).
• Abstract（参考訳）: 磁気共鳴イメージング(mri)は、心臓機能の評価に用いられる広く知られた医用イメージング技術である。 ディープラーニング(DL)モデルは、心臓MRI(CMR)画像において、セグメンテーション、推定、疾患の検出など、優れた効果でいくつかのタスクを実行する。 畳み込みニューラルネットワーク(CNN)に基づく多くのDLモデルは、自動的にまたは手動で関心領域(ROI)を検出することで改善された。 本稿では,4次元mriシーケンスの心臓運動を検出するモジュールであるvisual-motion-focus(vmf)について述べるとともに,放射基底関数(rbf)を推定運動野に焦点を合わせることでroisを強調する。 3つのcmrデータセット上でvmfを実験および評価し,提案するroisがデータラベルの99.7%(リコールスコア)をカバーし,roi抽出後のcnnセグメンテーション(平均サイススコア)を1.7(p < .001)改善し,総合トレーニング速度を2.5倍(+150%)向上させた。

関連論文リスト

• LaMoD: Latent Motion Diffusion Model For Myocardial Strain Generation [5.377722774297911]
  本稿では,標準CMRビデオから高精度なDENSE動作を予測するため,新しいラミネートモーション拡散モデル(LaMoD)を提案する。 実験の結果,提案手法であるLaMoDは標準CMR画像の動作解析の精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T12:54:32Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• MCI Detection using fMRI time series embeddings of Recurrence plots [5.340644246815989]
  本研究では,耳障りな利害の地域(ROI)において,その構造や欠如を理解するために基礎となるダイナミクスについて検討する。 この差動行動は、神経変性の理解や、健常者と軽度認知障害者(MCI)の分類の鍵となる可能性がある。 本研究では,ドセンバッハテンプレートから得られる160ROIを超える6つの脳ネットワークについて検討した。
  論文  参考訳（メタデータ） (2023-11-30T05:57:50Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• 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)
• Mesh-based 3D Motion Tracking in Cardiac MRI using Deep Learning [11.177851736773823]
  心臓機能評価と心血管疾患の診断には, 心臓磁気共鳴(CMR)画像からの3次元運動推定が重要である。 従来の手法のほとんどは、フルイメージ空間における画素/ボクセルの運動場の推定に重点を置いていた。 本研究では、心臓を3次元幾何メッシュとしてモデル化し、2次元短軸CMR画像から心臓メッシュの3次元運動を推定できる新しいディープラーニングベースの手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T15:10:27Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Automated Multi-Channel Segmentation for the 4D Myocardial Velocity Mapping Cardiac MR [1.8653386811342048]
  4次元(4d)左室心筋速度マッピング(mvm)は、心磁気共鳴(cmr)技術である。 本稿では,これらのCMRマルチチャネルデータに基づく標準U-Net手法を改善する新しいフレームワークを提案する。 提案するネットワークは, シングルチャネルデータで訓練された標準U-Netネットワークと比較して, 性能が向上した。
  論文  参考訳（メタデータ） (2020-12-16T16:15:55Z)
• 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)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。