論文の概要: Segmentation of Cardiac Structures via Successive Subspace Learning with
Saab Transform from Cine MRI
- arxiv url: http://arxiv.org/abs/2107.10718v1
- Date: Thu, 22 Jul 2021 14:50:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 14:24:15.195669
- Title: Segmentation of Cardiac Structures via Successive Subspace Learning with
Saab Transform from Cine MRI
- Title(参考訳): イヌMRIからのSaab変換を用いた逐次サブスペース学習による心臓構造の分離
- Authors: Xiaofeng Liu, Fangxu Xing, Hanna K. Gaggin, Weichung Wang, C.-C. Jay
Kuo, Georges El Fakhri, Jonghye Woo
- Abstract要約: 本研究では,適応バイアス(Saab)変換を用いた部分空間近似を用いた連続部分空間学習による機械学習モデルを提案する。
左心室,右心室,心筋のパラメータが200ドル以上で,最先端のU-Netモデルよりも優れた性能を示した。
- 参考スコア(独自算出の注目度): 29.894633364282555
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Assessment of cardiovascular disease (CVD) with cine magnetic resonance
imaging (MRI) has been used to non-invasively evaluate detailed cardiac
structure and function. Accurate segmentation of cardiac structures from cine
MRI is a crucial step for early diagnosis and prognosis of CVD, and has been
greatly improved with convolutional neural networks (CNN). There, however, are
a number of limitations identified in CNN models, such as limited
interpretability and high complexity, thus limiting their use in clinical
practice. In this work, to address the limitations, we propose a lightweight
and interpretable machine learning model, successive subspace learning with the
subspace approximation with adjusted bias (Saab) transform, for accurate and
efficient segmentation from cine MRI. Specifically, our segmentation framework
is comprised of the following steps: (1) sequential expansion of near-to-far
neighborhood at different resolutions; (2) channel-wise subspace approximation
using the Saab transform for unsupervised dimension reduction; (3) class-wise
entropy guided feature selection for supervised dimension reduction; (4)
concatenation of features and pixel-wise classification with gradient boost;
and (5) conditional random field for post-processing. Experimental results on
the ACDC 2017 segmentation database, showed that our framework performed better
than state-of-the-art U-Net models with 200$\times$ fewer parameters in
delineating the left ventricle, right ventricle, and myocardium, thus showing
its potential to be used in clinical practice.
- Abstract(参考訳): 心臓血管疾患 (CVD) とシネMRI (MRI) を併用し, 詳細な心構造と機能について非侵襲的に評価した。
CVDの早期診断と予後にはシネMRIによる心臓構造の正確なセグメンテーションが不可欠であり,畳み込みニューラルネットワーク(CNN)により大幅に改善されている。
しかし、cnnモデルでは、解釈可能性や複雑さの制限など、いくつかの制限があるため、臨床での使用は制限されている。
本研究では,この制限に対処するために,適応バイアス(Saab)変換を用いた部分空間近似を用いた逐次サブスペース学習を用いた軽量かつ解釈可能な機械学習モデルを提案する。
具体的には,(1)異なる解像度での近距離近傍の逐次展開,(2)教師なし次元減少のためのsaab変換を用いたチャネル単位の部分空間近似,(3)教師あり次元低減のためのクラス単位のエントロピー誘導特徴選択,(4)特徴の連結,および勾配ブーストによる画素単位の分類,(5)後処理のための条件付きランダムフィールドである。
acdc 2017のセグメンテーション・データベースにおける実験の結果は、左室、右心室、心筋の配置において200$\times$のパラメータを持つ最先端のu-netモデルよりも優れた性能を示し、臨床応用の可能性を示した。
関連論文リスト
- Generalized super-resolution 4D Flow MRI $\unicode{x2013}$ using
ensemble learning to extend across the cardiovascular system [28.516235368817586]
本研究の目的は,異種トレーニングセットと専用アンサンブル学習を組み合わせたSR 4D Flow MRIの一般化可能性を検討することである。
その結果,バッギングと積み重ねはドメイン間のSR性能を向上し,低分解能入力データから高分解能速度を正確に予測できることが示唆された。
以上の結果から,本研究はSR 4D Flow MRIの汎用的アプローチとして,様々な臨床領域にまたがるアンサンブル学習の有用性を示すものである。
論文 参考訳(メタデータ) (2023-11-20T14:55:40Z) - 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) - Successive Subspace Learning for Cardiac Disease Classification with
Two-phase Deformation Fields from Cine MRI [36.044984400761535]
本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。
解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。
3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
論文 参考訳(メタデータ) (2023-01-21T15:00:59Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - 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) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳(メタデータ) (2020-10-19T13:56:22Z) - 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) - 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。