論文の概要: Towards Fully Automated Segmentation of Rat Cardiac MRI by Leveraging
Deep Learning Frameworks
- arxiv url: http://arxiv.org/abs/2109.04188v1
- Date: Thu, 9 Sep 2021 11:48:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-10 14:24:54.454332
- Title: Towards Fully Automated Segmentation of Rat Cardiac MRI by Leveraging
Deep Learning Frameworks
- Title（参考訳）: ディープラーニングフレームワークを活用したラット心臓MRIの完全自動分割に向けて
- Authors: Daniel Fernandez-Llaneza, Andrea Gondova, Harris Vince, Arijit Patra,
Magdalena Zurek, Peter Konings, Patrik Kagelid, Leif Hultin
- Abstract要約: 我々は,標準的なU-Netアーキテクチャ上に拡張されたセグメンテーションモデルを開発し,シストール相とダイアストル相の別々のモデルを評価する。
ガウス過程を1MSAに適用することで、シストールとジアストールの選択を自動化できる。
- 参考スコア（独自算出の注目度）: 1.6020567943077142
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automated segmentation of human cardiac magnetic resonance datasets has been
steadily improving during recent years. However, these methods are not directly
applicable in preclinical context due to limited datasets and lower image
resolution. Successful application of deep architectures for rat cardiac
segmentation, although of critical importance for preclinical evaluation of
cardiac function, has to our knowledge not yet been reported. We developed
segmentation models that expand on the standard U-Net architecture and
evaluated separate models for systole and diastole phases, 2MSA, and one model
for all timepoints, 1MSA. Furthermore, we calibrated model outputs using a
Gaussian Process (GP)-based prior to improve phase selection. Resulting models
approach human performance in terms of left ventricular segmentation quality
and ejection fraction (EF) estimation in both 1MSA and 2MSA settings
(S{\o}rensen-Dice score 0.91 +/- 0.072 and 0.93 +/- 0.032, respectively). 2MSA
achieved a mean absolute difference between estimated and reference EF of 3.5
+/- 2.5 %, while 1MSA resulted in 4.1 +/- 3.0 %. Applying Gaussian Processes to
1MSA allows to automate the selection of systole and diastole phases. Combined
with a novel cardiac phase selection strategy, our work presents an important
first step towards a fully automated segmentation pipeline in the context of
rat cardiac analysis.
- Abstract（参考訳）: ヒト心筋磁気共鳴データセットの自動分割は近年着実に改善されている。
しかし、これらの手法は、限られたデータセットと低い画像解像度のため、前臨床の文脈では直接適用されない。
心機能評価において重要な役割を担っているが,ラットの心機能評価における深部構造の適用は,まだ報告されていない。
我々は,標準的なU-Netアーキテクチャ上に拡張したセグメンテーションモデルを開発し,シストールとダイアストールの相と2MSA,1MSAの全タイムポイントに対して1モデルの評価を行った。
さらに,位相選択を改善するために,ガウス過程(gp)に基づくモデル出力のキャリブレーションを行った。
その結果,1MSAおよび2MSA設定の左室セグメンテーション品質と吐出率(EF)の推定値(S{\o}rensen-Dice score 0.91 +/- 0.072 および 0.93 +/- 0.032 )で人体性能にアプローチした。
2MSA は 3.5 +/-2.5 %, 1MSA は 4.1 +/-3.0 % の平均絶対差を達成した。
ガウス過程を1MSAに適用することで、シストールとジアストールの選択を自動化できる。
本研究は,新しい心相選択戦略と組み合わせて,ラット心分析における完全自動分節パイプラインに向けた重要な第一歩を提示する。
関連論文リスト
- A Compact LSTM-SVM Fusion Model for Long-Duration Cardiovascular
Diseases Detection [0.0]
世界的には、心臓血管疾患(CVD)が主な死因であり、毎年1790万人が死亡している。
重要な臨床目的の1つは、心電図(ECG)データによるCVDの早期検出である。
機械学習とディープラーニングに基づく最近の進歩は、この分野において大きな進歩を遂げている。
論文 参考訳（メタデータ） (2023-11-20T10:57:11Z) - 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) - Application of the nnU-Net for automatic segmentation of lung lesion on
CT images, and implication on radiomic models [1.8231394717039833]
非小細胞肺癌患者のCT画像にディープラーニング自動分画法を適用した。
生存放射線モデルの性能評価において,手動と自動セグメンテーションの併用も検討した。
論文 参考訳（メタデータ） (2022-09-24T15:04:23Z) - Global ECG Classification by Self-Operational Neural Networks with
Feature Injection [25.15075119957447]
コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。
我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。
提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
論文 参考訳（メタデータ） (2022-04-07T22:49:18Z) - 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) - MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining
Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。
myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。
この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
論文 参考訳（メタデータ） (2022-01-10T06:37:23Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳（メタデータ） (2021-11-25T10:11:41Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - 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。