論文の概要: Multi-view SA-LA Net: A framework for simultaneous segmentation of RV on
multi-view cardiac MR Images
- arxiv url: http://arxiv.org/abs/2110.00682v1
- Date: Fri, 1 Oct 2021 23:26:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:20:18.911646
- Title: Multi-view SA-LA Net: A framework for simultaneous segmentation of RV on
multi-view cardiac MR Images
- Title(参考訳): マルチビューSA-LAネット:多視点心筋MR画像におけるRVの同時分割のためのフレームワーク
- Authors: Sana Jabbar, Syed Talha Bukhari, and Hassan Mohy-ud-Din
- Abstract要約: 短軸(SA)および長軸(LA)心MR画像上でのRVの同時分割のための多視点SA-LAモデルを提案した。
1つのエンコーダ/デコーダペアは、RVをSA画像に、もう1つのペアをLA画像にセグメントする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We proposed a multi-view SA-LA model for simultaneous segmentation of RV on
the short-axis (SA) and long-axis (LA) cardiac MR images. The multi-view SA-LA
model is a multi-encoder, multi-decoder U-Net architecture based on the U-Net
model. One encoder-decoder pair segments the RV on SA images and the other pair
on LA images. Multi-view SA-LA model assembles an extremely rich set of
synergistic features, at the root of the encoder branch, by combining feature
maps learned from matched SA and LA cardiac MR images. Segmentation performance
is further enhanced by: (1) incorporating spatial context of LV as a prior and
(2) performing deep supervision in the last three layers of the decoder branch.
Multi-view SA-LA model was extensively evaluated on the MICCAI 2021 Multi-
Disease, Multi-View, and Multi- Centre RV Segmentation Challenge dataset
(M&Ms-2021). M&Ms-2021 dataset consists of multi-phase, multi-view cardiac MR
images of 360 subjects acquired at four clinical centers with three different
vendors. On the challenge cohort (160 subjects), the proposed multi-view SA-LA
model achieved a Dice Score of 91% and Hausdorff distance of 11.2 mm on
short-axis images and a Dice Score of 89.6% and Hausdorff distance of 8.1 mm on
long-axis images. Moreover, multi-view SA-LA model exhibited strong
generalization to unseen RV related pathologies including Dilated Right
Ventricle (DSC: SA 91.41%, LA 89.63%) and Tricuspidal Regurgitation (DSC: SA
91.40%, LA 90.40%) with low variance (std_DSC: SA <5%, LA<6%).
- Abstract(参考訳): 短軸(SA)および長軸(LA)心MR画像上でのRVの同時分割のための多視点SA-LAモデルを提案した。
マルチビューSA-LAモデルは、U-Netモデルに基づくマルチエンコーダ、マルチデコーダU-Netアーキテクチャである。
1つのエンコーダ/デコーダペアは、RVをSA画像に、もう1つのペアをLA画像にセグメントする。
マルチビューSA-LAモデルは、一致したSAとLA心筋MR画像から得られた特徴マップを組み合わせることで、エンコーダブランチの根元にある非常に豊富な相乗的特徴集合を組み立てる。
セグメンテーション性能は,(1)LVの空間的文脈を先行として,(2)デコーダ分岐の最後の3層で深い監督を行うことによりさらに向上する。
マルチビューSA-LAモデルはMICCAI 2021 MultiDisease, Multi-View, Multi- Centre RV Segmentation Challenge データセット (M&Ms-2021) で広く評価された。
M&Ms-2021データセットは、3つの異なるベンダーと4つの臨床センターで取得された360人の被験者の多相多視点心筋MR画像からなる。
チャレンジコホート (160名) において, 提案する多視点sa-laモデルは, 短軸画像では91%, ハウスドルフ距離11.2mm, 長軸画像では89.6%, ハウスドルフ距離8.1mmを達成した。
さらに,多視点SA-LAモデルでは,低分散 (std_DSC: SA <5%, LA<6%, LA<6%) のDilated Right Ventricle (DSC: SA 91.41%, LA 89.63%) やTricuspidal Regurgitation (DSC: SA 91.40%, LA 90.40%) などのRV関連疾患に対する強い一般化が見られた。
関連論文リスト
- A 3D Multi-Style Cross-Modality Segmentation Framework for Segmenting
Vestibular Schwannoma and Cochlea [2.2209333405427585]
CrossMoDA2023の課題は、ラベル付きceT1スキャンを利用することで、未ラベルのhrT2スキャンの前庭のシュワンノーマとコクリー領域を分割することである。
本稿では,多言語翻訳と自己学習のセグメンテーションフェーズを含む3次元多言語間セグメンテーションフレームワークを提案する。
提案手法は,CrossMoDA2023検証データセット上で,平均DSC値を72.78%,80.64%とする有望な結果が得られる。
論文 参考訳(メタデータ) (2023-11-20T07:29:33Z) - Joint Depth Prediction and Semantic Segmentation with Multi-View SAM [59.99496827912684]
我々は,Segment Anything Model(SAM)のリッチなセマンティック特徴を利用した深度予測のためのマルチビューステレオ(MVS)手法を提案する。
この拡張深度予測は、Transformerベースのセマンティックセグメンテーションデコーダのプロンプトとして役立ちます。
論文 参考訳(メタデータ) (2023-10-31T20:15:40Z) - 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) - Semantic-SAM: Segment and Recognize Anything at Any Granularity [83.64686655044765]
本稿では,任意の粒度でセグメンテーションと認識を可能にする汎用画像セグメンテーションモデルであるSemantic-SAMを紹介する。
複数のデータセットを3つの粒度に集約し、オブジェクトとパーツの分離した分類を導入する。
マルチグラニュラリティ機能を実現するために,各クリックで複数のレベルのマスクを生成できるマルチ選択学習方式を提案する。
論文 参考訳(メタデータ) (2023-07-10T17:59:40Z) - 3rd Place Solution for PVUW2023 VSS Track: A Large Model for Semantic
Segmentation on VSPW [68.56017675820897]
本稿では,PVUW2023 VSSトラックの3位解について紹介する。
ビデオセマンティックセグメンテーションの課題を解決するために,様々な画像レベルの視覚的バックボーンとセグメンテーションヘッドを探索した。
論文 参考訳(メタデータ) (2023-06-04T07:50:38Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳(メタデータ) (2023-03-20T06:26:49Z) - Multi-Modality Abdominal Multi-Organ Segmentation with Deep Supervised
3D Segmentation Model [0.12183405753834559]
AMOS 2022チャレンジの解決策を提示する。
我々は、ベースモデルとして、ディープ・スーパービジョンを備えた残留U-Netを採用している。
実験の結果,Dice類似度係数と正規化表面ダイスの平均スコアはそれぞれ0.8504,0.8476であり,CT/MRIでは0.8476であった。
論文 参考訳(メタデータ) (2022-08-24T03:37:54Z) - 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) - Right Ventricular Segmentation from Short- and Long-Axis MRIs via
Information Transition [13.292060121301544]
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。
論文 参考訳(メタデータ) (2021-09-05T21:39:27Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳(メタデータ) (2021-07-07T19:06:34Z) - Landmark detection in Cardiac Magnetic Resonance Imaging Using A
Convolutional Neural Network [4.6250189957415255]
この振り返り調査では、2つの病院のcine, LGE, T1マッピングスキャンが実施された。
CNNモデルは、長軸(LAX)画像上の2つの僧帽弁面と尖点を検出するために開発された。
RV挿入角度とLV長に有意な差は認められなかった。
論文 参考訳(メタデータ) (2020-08-14T00:25:59Z)
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。