Fugu-MT 論文翻訳(概要): EllipseNet: Anchor-Free Ellipse Detection for Automatic Cardiac Biometrics in Fetal Echocardiography

論文の概要: EllipseNet: Anchor-Free Ellipse Detection for Automatic Cardiac Biometrics in Fetal Echocardiography

arxiv url: http://arxiv.org/abs/2109.12474v1
Date: Sun, 26 Sep 2021 01:44:56 GMT
ステータス: 処理完了
システム内更新日: 2021-09-28 16:00:56.178352
Title: EllipseNet: Anchor-Free Ellipse Detection for Automatic Cardiac Biometrics in Fetal Echocardiography
Title（参考訳）: ElipseNet:胎児心エコー図における自動心生体計測のためのアンカーフリー楕円検出
Authors: Jiancong Chen, Yingying Zhang, Jingyi Wang, Xiaoxue Zhou, Yihua He, Tong Zhang
Abstract要約: 本稿では,アンカーフリーな楕円検出ネットワークであるEllipseNetを提案する。楕円の心・胸部領域を検知し、胎児心生体計測のCTRと心軸を自動的に計算する。本研究は,2000名以上の被験者を対象に,臨床心エコーデータを用いたEllipseNetの評価を行った。
参考スコア（独自算出の注目度）: 18.616697103809713
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: As an important scan plane, four chamber view is routinely performed in both second trimester perinatal screening and fetal echocardiographic examinations. The biometrics in this plane including cardio-thoracic ratio (CTR) and cardiac axis are usually measured by sonographers for diagnosing congenital heart disease. However, due to the commonly existing artifacts like acoustic shadowing, the traditional manual measurements not only suffer from the low efficiency, but also with the inconsistent results depending on the operators' skills. In this paper, we present an anchor-free ellipse detection network, namely EllipseNet, which detects the cardiac and thoracic regions in ellipse and automatically calculates the CTR and cardiac axis for fetal cardiac biometrics in 4-chamber view. In particular, we formulate the network that detects the center of each object as points and regresses the ellipses' parameters simultaneously. We define an intersection-over-union loss to further regulate the regression procedure. We evaluate EllipseNet on clinical echocardiogram dataset with more than 2000 subjects. Experimental results show that the proposed framework outperforms several state-of-the-art methods. Source code will be available at https://git.openi.org.cn/capepoint/EllipseNet .
Abstract（参考訳）: 重要な走査面として,第2三期周産期スクリーニングと胎児心エコー検査で4つの室像が日常的に観察される。心-胸壁比 (CTR) と心軸を含むこの平面の生体計測は, 先天性心疾患の診断のためのソノグラフィーによって測定される。しかし、音響シャドーイングのような一般的な人工物のため、従来の手動測定は低効率に苦しむだけでなく、操作者の技量によっても矛盾する結果となる。本稿では, エルプス中の心・胸部領域を検出し, 胎児心生体計測におけるCTRと心軸を自動的に計算するアンカーフリーなエルプス検出ネットワークであるEllipseNetを提案する。特に,各物体の中心を点として検出し,楕円のパラメータを同時に回帰するネットワークを定式化する。我々は,協調的損失を定義し,回帰過程をさらに調整する。 2000名以上の心エコーデータを用いたelipsenetの評価を行った。実験の結果,提案手法は最先端手法よりも優れていることがわかった。ソースコードはhttps://git.openi.org.cn/capepoint/EllipseNetで入手できる。

関連論文リスト

Class-Aware Cartilage Segmentation for Autonomous US-CT Registration in Robotic Intercostal Ultrasound Imaging [39.597735935731386]
形状制約後処理を施したクラスアウェア軟骨骨分節ネットワークを提示し, 患者固有の骨骨格を捕捉する。一般的なテンプレートから個々の患者へ、宿主間走査経路をマッピングするために、密度の高い骨格グラフに基づく非剛性登録が提示される。提案手法は,CTテンプレートから個々の患者へのパスを,頑健かつ正確にマッピングできることを示す。
論文参考訳（メタデータ） (2024-06-06T14:15:15Z)
PulseNet: Deep Learning ECG-signal classification using random augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文参考訳（メタデータ） (2023-05-17T09:06:39Z)
Two-stream Network for ECG Signal Classification [3.222802562733787]
本稿では,心電図に基づく心拍数型の自動分類アルゴリズムを提案する。本稿では,2ストリームアーキテクチャを用いて,これに基づくECG認識の強化版を提案する。 MIT-BIH Arrhythmia Databaseの結果、提案アルゴリズムは99.38%の精度で実行されている。
論文参考訳（メタデータ） (2022-10-05T08:14:51Z)
Light-weight spatio-temporal graphs for segmentation and ejection fraction prediction in cardiac ultrasound [5.597394612661975]
本研究では,左心室分画予測と左心室分画のためのEchoGraphsという自動手法を提案する。キーポイントの検出には、GCN(Graph Conal Networks)に基づく直接座標回帰モデルを用いる。セマンティックセグメンテーションと比較すると、GCNは正確なセグメンテーションと堅牢性と推論ランタイムの改善を示している。
論文参考訳（メタデータ） (2022-07-06T10:03:44Z)
An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
論文参考訳（メタデータ） (2022-04-26T14:20:26Z)
Echocardiography Segmentation with Enforced Temporal Consistency [10.652677452009627]
本研究では,2次元以上の長軸心形態を学習するための枠組みを提案する。心臓の不整合の同定と補正は、生理的に解釈可能な心臓形状の埋め込みを学ぶために訓練された拘束されたオートエンコーダに依存している。
論文参考訳（メタデータ） (2021-12-03T16:09:32Z)
Automatic Identification of the End-Diastolic and End-Systolic Cardiac Frames from Invasive Coronary Angiography Videos [6.203906656404265]
侵襲的冠動脈造影検査において, エンド拡張期(ED)とエンド収縮期(ES)の適切な画像フレームの同定が重要である。現在の識別法は主に視覚的解釈に依存しており、時間だけでなく再現性も低い。そこで本研究では,鍵血管点の軌跡を用いて,EDとESの心期に関連する血管画像フレームを自動的に同定する手法を提案する。
論文参考訳（メタデータ） (2021-10-06T15:16:55Z)
Multilabel 12-Lead Electrocardiogram Classification Using Gradient Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文参考訳（メタデータ） (2020-10-21T18:11:36Z)
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)
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)
Segmentation-based Method combined with Dynamic Programming for Brain Midline Delineation [42.91127174025364]
脳卒中やTBIによる脳圧迫の重症度を評価するには,中線関連画像の特徴が重要である。従来の手法のほとんどは、重篤なケースでは検出や欠落が難しい解剖学的点を局在させることで、ミッドラインをモデル化していた。本稿では,脳の正中線記述をセグメンテーションタスクとして定式化し,三段階の枠組みを提案する。
論文参考訳（メタデータ） (2020-02-27T05:12:18Z)

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。