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
- Multi-Scale Feature Fusion with Image-Driven Spatial Integration for Left Atrium Segmentation from Cardiac MRI Images [0.0]
本稿では,DINOv2をエンコーダとしてUNetスタイルのデコーダと統合するフレームワークを提案する。
LAScarQS 2022データセットに対する我々のアプローチを検証するとともに、92.3%のDiceと84.1%のIoUスコアで巨大なアーキテクチャの性能向上を実証した。
論文 参考訳(メタデータ) (2025-02-10T16:12:46Z) - Classification, Regression and Segmentation directly from k-Space in Cardiac MRI [11.690226907936903]
我々は,k空間データを直接処理するためのトランスフォーマーモデルであるKMAEを提案する。
KMAEは、重要な心臓疾患の分類、関連する表現型回帰、および心臓セグメンテーションタスクを扱うことができる。
心臓MRIにおけるk-space-based diagnosisの可能性について検討した。
論文 参考訳(メタデータ) (2024-07-29T15:35:35Z) - Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。
2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
論文 参考訳(メタデータ) (2024-06-20T17:47:30Z) - CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。
我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。
提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
論文 参考訳(メタデータ) (2024-05-28T15:17:58Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳(メタデータ) (2024-03-21T15:13:36Z) - 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) - 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)
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。