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

• MMIU: Multimodal Multi-image Understanding for Evaluating Large Vision-Language Models [76.1999277491816]
  MMIU(Multimodal Multi-image Understanding)は、LVLM(Large Vision-Language Models)を評価するための総合的な評価スイートである。 MMIUには7種類のマルチイメージ関係、52のタスク、77Kのイメージ、1Kの微調整された複数選択質問が含まれている。 オープンソースモデルとプロプライエタリモデルの両方を含む24種類のLVLMを評価した結果,マルチイメージ理解における大きな課題が明らかになった。
  論文  参考訳（メタデータ） (2024-08-05T17:56:41Z)
• GroupMamba: Parameter-Efficient and Accurate Group Visual State Space Model [66.35608254724566]
  状態空間モデル(SSM)は、二次的複雑性を伴う長距離依存のモデリングにおいて効果的な性能を示した。 しかし、純粋なSSMベースのモデルは、コンピュータビジョンタスクにおける安定性と最適性能の達成に関連する課題に直面している。 本稿では,コンピュータビジョンのためのSSMベースのモデルをスケールする上での課題,特に大規模モデルの不安定性と非効率性について論じる。
  論文  参考訳（メタデータ） (2024-07-18T17:59:58Z)
• Multi-Scale VMamba: Hierarchy in Hierarchy Visual State Space Model [26.786890883280062]
  状態空間モデル(SSM)は、その大域的受容場と線形複雑性のために広く注目を集めている。 視覚タスクにおけるSSMの性能向上のために,マルチスキャン戦略が広く採用されている。 本稿では,MSVMamba(Multi-Scale Vision Mamba)を導入し,限られたパラメータを持つ視覚タスクにおけるSSMの優位性を維持する。
  論文  参考訳（メタデータ） (2024-05-23T04:59:49Z)
• 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)
• 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)
• 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)
• 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。