論文の概要: Hardware-aware Real-time Myocardial Segmentation Quality Control in Contrast Echocardiography

• arxiv url: http://arxiv.org/abs/2109.06909v1
• Date: Tue, 14 Sep 2021 18:14:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 14:47:48.283184
• Title: Hardware-aware Real-time Myocardial Segmentation Quality Control in Contrast Echocardiography
• Title（参考訳）: コントラスト心エコー図におけるハードウェア対応リアルタイム心筋セグメンテーション品質制御
• Authors: Dewen Zeng, Yukun Ding, Haiyun Yuan, Meiping Huang, Xiaowei Xu, Jian Zhuang, Jingtong Hu, Yiyu Shi
• Abstract要約: コントラスト心エコー法の品質管理と自動心筋セグメンテーションのためのハードウェア対応ニューラルネットワーク探索フレームワークを提案する。 提案手法は,セグメンテーションモジュールと品質予測モジュールに対して,厳密なレイテンシで最高のニューラルネットワークアーキテクチャを探索する。
• 参考スコア（独自算出の注目度）: 15.05403819353754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic myocardial segmentation of contrast echocardiography has shown great potential in the quantification of myocardial perfusion parameters. Segmentation quality control is an important step to ensure the accuracy of segmentation results for quality research as well as its clinical application. Usually, the segmentation quality control happens after the data acquisition. At the data acquisition time, the operator could not know the quality of the segmentation results. On-the-fly segmentation quality control could help the operator to adjust the ultrasound probe or retake data if the quality is unsatisfied, which can greatly reduce the effort of time-consuming manual correction. However, it is infeasible to deploy state-of-the-art DNN-based models because the segmentation module and quality control module must fit in the limited hardware resource on the ultrasound machine while satisfying strict latency constraints. In this paper, we propose a hardware-aware neural architecture search framework for automatic myocardial segmentation and quality control of contrast echocardiography. We explicitly incorporate the hardware latency as a regularization term into the loss function during training. The proposed method searches the best neural network architecture for the segmentation module and quality prediction module with strict latency.
• Abstract（参考訳）: 造影エコー図の自動心筋分画は心筋灌流パラメータの定量化に大きな可能性がある。 セグメンテーション品質管理は、品質研究におけるセグメンテーション結果の精度と臨床応用を確保するための重要なステップである。 通常、セグメンテーションの品質管理はデータ取得後に行われる。 データ取得時に、オペレータはセグメンテーション結果の品質を知ることができなかった。 オンザフライのセグメンテーション品質制御は、操作者が超音波プローブを調整したり、品質が満足できない場合にデータを取り戻すのに役立つ。 しかし、セグメンテーションモジュールと品質制御モジュールは、厳密なレイテンシ制約を満たしながら、超音波機械の限られたハードウェアリソースに収まる必要があるため、最先端のdnnベースのモデルをデプロイすることは不可能である。 本稿では,コントラスト心エコー法の品質管理と自動心筋セグメンテーションのためのハードウェア対応ニューラルネットワーク探索フレームワークを提案する。 トレーニング中にハードウェア遅延を正規化用語として損失関数に明示的に組み込む。 提案手法は,セグメンテーションモジュールと品質予測モジュールに最適なニューラルネットワークアーキテクチャを厳密なレイテンシで探索する。

関連論文リスト

• 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)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Temporal Uncertainty Localization to Enable Human-in-the-loop Analysis of Dynamic Contrast-enhanced Cardiac MRI Datasets [0.2871849986181679]
  ディープニューラルネットワーク(DNN)は、DCE-CMRIデータセットを分析することを約束している。 本稿では,DNNに基づくDCE-CMRIデータセットの分割のためのDQCツールとして,新しい時空間不確実性尺度を提案する。 その結果,提案するdQCフレームワークは,品質の悪いセグメンテーションを正確に識別できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-25T16:55:30Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• A Deep Learning-based Integrated Framework for Quality-aware Undersampled Cine Cardiac MRI Reconstruction and Analysis [4.780348242743022]
  我々は, アンダーサンプルシネCMRデータの再構成, セグメンテーション, 下流解析のための品質制御統合フレームワークを提案する。 このフレームワークは、取得したデータが十分であれば、高品質な再構成やセグメンテーションを生成するのに十分なときに、取得を停止することができるラジアルk空間データのアクティブな取得を可能にする。
  論文  参考訳（メタデータ） (2022-05-02T18:02:22Z)
• Efficient Model Monitoring for Quality Control in Cardiac Image Segmentation [3.2212186424911073]
  基礎的真理がない状態での心臓セグメンテーションモデルのパフォーマンスを監視するための新しい学習フレームワークを提示する。 本稿では,グローバルスコアと画素ワイズマップという2種類の品質指標を提案する。 その結果,我々のフレームワークは正確,高速,スケーラブルであり,臨床と大規模集団研究における品質管理モニタリングに有効な選択肢であることを確認した。
  論文  参考訳（メタデータ） (2021-04-12T14:58:58Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• 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)
• Towards Cardiac Intervention Assistance: Hardware-aware Neural Architecture Exploration for Real-Time 3D Cardiac Cine MRI Segmentation [18.147734988338634]
  リアルタイム心臓MRI(Real-time Heartc MRI)は、様々な心臓の介入を導く上で、ますます重要な役割を担っている。 より優れた視覚補助を提供するには、目立った視覚遅延を避けるために、シネMRIフレームをオンザフライで分割する必要がある。 リアルタイム3次元心血管MRIセグメント化のためのハードウェア対応マルチスケールニューラルアーキテクチャサーチ(NAS)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-17T03:22:57Z)
• Deep Generative Model-based Quality Control for Cardiac MRI Segmentation [30.09405692032434]
  本稿では, 心臓MRI領域の品質管理のための, 深部生成モデルに基づく新しいフレームワークを提案する。 提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。
  論文  参考訳（メタデータ） (2020-06-23T23:15:54Z)

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。