Fugu-MT 論文翻訳(概要): Right Ventricular Segmentation from Short- and Long-Axis MRIs via Information Transition

論文の概要: Right Ventricular Segmentation from Short- and Long-Axis MRIs via Information Transition

arxiv url: http://arxiv.org/abs/2109.02171v1
Date: Sun, 5 Sep 2021 21:39:27 GMT
ステータス: 処理完了
システム内更新日: 2021-09-07 16:22:57.052257
Title: Right Ventricular Segmentation from Short- and Long-Axis MRIs via Information Transition
Title（参考訳）: 短軸・長軸MRIからの情報遷移による右室分極
Authors: Lei Li, Wangbin Ding, Liqun Huang, and Xiahai Zhuang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 13.292060121301544
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Right ventricular (RV) segmentation from magnetic resonance imaging (MRI) is a crucial step for cardiac morphology and function analysis. However, automatic RV segmentation from MRI is still challenging, mainly due to the heterogeneous intensity, the complex variable shapes, and the unclear RV boundary. Moreover, current methods for the RV segmentation tend to suffer from performance degradation at the basal and apical slices of MRI. In this work, we propose an automatic RV segmentation framework, where the information from long-axis (LA) views is utilized to assist the segmentation of short-axis (SA) views via information transition. Specifically, we employed the transformed segmentation from LA views as a prior information, to extract the ROI from SA views for better segmentation. The information transition aims to remove the surrounding ambiguous regions in the SA views. %, such as the tricuspid valve regions. We tested our model on a public dataset with 360 multi-center, multi-vendor and multi-disease subjects that consist of both LA and SA MRIs. Our experimental results show that including LA views can be effective to improve the accuracy of the SA segmentation. Our model is publicly available at https://github.com/NanYoMy/MMs-2.
Abstract（参考訳）: 磁気共鳴画像(MRI)からの右室分画は、心臓形態学および機能解析において重要なステップである。しかし、MRIからの自動RVセグメンテーションは、主に異種強度、複雑な可変形状、不明瞭なRV境界のため、依然として困難である。また,現在のRVセグメンテーション法は,MRIの基部および根尖部におけるパフォーマンス劣化に悩まされる傾向にある。本研究では、長軸(LA)ビューからの情報を活用して、情報遷移による短軸(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。情報遷移は、SAビューの周囲の曖昧な領域を取り除くことを目的としている。 %,三尖弁領域など。 LAMRIとSAMRIの両方からなる360度マルチセンター,マルチベンダ,マルチディスリーズ対象のパブリックデータセット上で,我々のモデルを検証した。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。私たちのモデルはhttps://github.com/NanYoMy/MMs-2で公開されています。

関連論文リスト

Assessing the Performance of the DINOv2 Self-supervised Learning Vision Transformer Model for the Segmentation of the Left Atrium from MRI Images [1.2499537119440245]
DINOv2は、MRIを用いたLAセグメンテーションのための自然画像に基づいて訓練された自己教師型学習視覚変換器である。我々は、Diceスコアが.871で、Jaccard Indexが.792で、エンドツーエンドの微調整が可能な、正確で一貫したセグメンテーションを提供する能力を示す。これらの結果は、DINOv2がMRIに限られたデータで効果的に適応し、セグメンテーションの競争ツールとしての可能性を強調し、医療画像の幅広い利用を促進することを示唆している。
論文参考訳（メタデータ） (2024-11-14T17:15:51Z)
Lost in Tracking: Uncertainty-guided Cardiac Cine MRI Segmentation at Right Ventricle Base [6.124743898202368]
本稿では,CMRセグメンテーションにおける未解決問題,特にRVベースに対処することを提案する。本稿では,時間的アンコヒーレンスを利用して平面間動きの発生時にセグメンテーションを通知する新しいデュアルエンコーダU-Netアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-10-04T11:14:31Z)
Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
論文参考訳（メタデータ） (2024-03-09T13:37:02Z)
Semantic-aware Temporal Channel-wise Attention for Cardiac Function Assessment [69.02116920364311]
既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。提案手法は,0.22 MAE,0.26 RMSE,1.9%$R2$の改善により,スタンフォードデータセットの最先端性能を実現する。
論文参考訳（メタデータ） (2023-10-09T05:57:01Z)
MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
論文参考訳（メタデータ） (2023-09-16T02:41:53Z)
3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
論文参考訳（メタデータ） (2023-06-23T12:09:52Z)
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)
Tempera: Spatial Transformer Feature Pyramid Network for Cardiac MRI Segmentation [0.41371009341458315]
本研究は,短軸心MR画像と長軸心MR画像の両方において,RVのセグメンテーションに重点を置いている。このモデルでは,SAとLAの平均Diceスコアは0.836,LAは0.798,Hausdorff距離は26.31mm,Hausdorff距離は31.19mmである。
論文参考訳（メタデータ） (2022-03-01T11:05:51Z)
AtrialGeneral: Domain Generalization for Left Atrial Segmentation of Multi-Center LGE MRIs [18.22326892162902]
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。
論文参考訳（メタデータ） (2021-06-16T11:58:11Z)
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)
Automatic Right Ventricle Segmentation using Multi-Label Fusion in Cardiac MRI [4.655680114261973]
心臓磁気共鳴画像(MRI)におけるRVの完全自動分割法を提案する。本手法は,マルチアトラス伝搬セグメンテーションフレームワークと組み合わせた粗大なセグメンテーション戦略を用いる。本手法は, 相互相関測定値に基づいて, 伝播の各繰り返しにおけるセグメンテーションの洗練を実現するために, 伝搬のための最適なアトラスを選択する。
論文参考訳（メタデータ） (2020-04-05T21:06:15Z)

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。