論文の概要: Spatial-temporal V-Net for automatic segmentation and quantification of
right ventricles in gated myocardial perfusion SPECT images
- arxiv url: http://arxiv.org/abs/2110.05443v1
- Date: Mon, 11 Oct 2021 17:30:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 19:35:09.705322
- Title: Spatial-temporal V-Net for automatic segmentation and quantification of
right ventricles in gated myocardial perfusion SPECT images
- Title（参考訳）: 拡張型心筋灌流SPECT画像における右室の自動分画と定量化のための時空間V-Net
- Authors: Chen Zhao, Shi Shi, Zhuo He, Cheng Wang, Zhongqiang Zhao, Xinli Li,
Yanli Zhou, Weihua Zhou
- Abstract要約: 拡張型心筋灌流CT(MPS)による右室機能評価は,輪郭の正確な抽出に大きく依存している。
SPECT画像の空間的特徴と時間的特徴を統合した新しい深層学習モデルを提案する。
- 参考スコア（独自算出の注目度）: 9.332295408941798
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background. Functional assessment of right ventricles (RV) using gated
myocardial perfusion single-photon emission computed tomography (MPS) heavily
relies on the precise extraction of right ventricular contours. In this paper,
we present a new deep learning model integrating both the spatial and temporal
features in SPECT images to perform the segmentation of RV epicardium and
endocardium. Methods. By integrating the spatial features from each cardiac
frame of gated MPS and the temporal features from the sequential cardiac frames
of the gated MPS, we develop a Spatial-Temporal V-Net (S-T-V-Net) for automatic
extraction of RV endocardial and epicardial contours. In the S-T-V-Net, a V-Net
is employed to hierarchically extract spatial features, and convolutional
long-term short-term memory (ConvLSTM) units are added to the skip-connection
pathway to extract the temporal features. The input of the S-T-V-Net is an
ECG-gated sequence of the SPECT images and the output is the probability map of
the endocardial or epicardial masks. A Dice similarity coefficient (DSC) loss
which penalizes the discrepancy between the model prediction and the ground
truth is adopted to optimize the segmentation model. Results. Our segmentation
model was trained and validated on a retrospective dataset with 34 subjects,
and the cardiac cycle of each subject was divided into 8 gates. The proposed
ST-V-Net achieved a DSC of 0.7924 and 0.8227 for the RV endocardium and
epicardium, respectively. The mean absolute error, the mean squared error, and
the Pearson correlation coefficient of the RV ejection fraction between the
ground truth and the model prediction are 0.0907, 0.0130 and 0.8411.
Conclusion. The results demonstrate that the proposed ST-V-Net is an effective
model for RV segmentation. It has great promise for clinical use in RV
functional assessment.
- Abstract（参考訳）: 背景。
拡張型心筋灌流単光子CT(MPS)を用いた右心室機能評価は右心室輪郭の精密抽出に大きく依存している。
本稿では,spect画像の空間的特徴と時間的特徴を統合し,rv心内膜と心内膜をセグメンテーションする新しいディープラーニングモデルを提案する。
メソッド。
ゲートMPSの各心フレームの空間的特徴とゲートMPSの逐次心フレームの時間的特徴を統合することにより,RV心内膜および心外膜輪郭の自動抽出のための空間時空間V-Net(S-T-V-Net)を開発した。
S-T-V-Netでは、空間的特徴を階層的に抽出するためにV-Netを使用し、このスキップ接続経路に畳み込み長期記憶(ConvLSTM)ユニットを追加して時間的特徴を抽出する。
S-T-V-Netの入力はSPECT画像のECGゲートシーケンスであり、出力は心内膜または心外膜マスクの確率マップである。
セグメンテーションモデルを最適化するために、モデル予測と基底真理とのずれをペナルティ化するdice類似度係数(dsc)損失を採用する。
結果だ
セグメンテーションモデルは,34名の被験者によるふりかえりデータセット上で訓練し,検証し,各被験者の心周期を8つのゲートに分けた。
提案するst-v-netのdscはそれぞれ0.7924,0.8227であった。
平均絶対誤差、平均二乗誤差、および基底真理とモデル予測の間のRV放出率のピアソン相関係数は0.0907,0.0130,0.08411である。
結論だ
その結果,提案するST-V-NetはRVセグメンテーションに有効なモデルであることが示唆された。
RV機能評価における臨床応用には非常に有望である。
関連論文リスト
- Lost in Tracking: Uncertainty-guided Cardiac Cine MRI Segmentation at Right Ventricle Base [6.124743898202368]
本稿では,CMRセグメンテーションにおける未解決問題,特にRVベースに対処することを提案する。
本稿では,時間的アンコヒーレンスを利用して平面間動きの発生時にセグメンテーションを通知する新しいデュアルエンコーダU-Netアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-10-04T11:14:31Z) - Point cloud-based registration and image fusion between cardiac SPECT
MPI and CTA [22.691328811159252]
SPECT心筋灌流画像(MPI)と心電図血管造影(CTA)との点群登録と画像融合のための方法が提案された。
SPECTおよびCTA画像における左心室(LV)心室領域(LVER)は、LV心室輪郭(LVEC)の点群を生成するために訓練された異なるU-Netニューラルネットワークを用いて区分けされた。
提案手法は心CTAおよびSPECT機能画像から構造を効果的に融合させ,相補的優位性を組み合わせることで心疾患の正確な診断を支援する可能性を示した。
論文 参考訳（メタデータ） (2024-02-10T00:00:40Z) - Semantic-aware Temporal Channel-wise Attention for Cardiac Function
Assessment [69.02116920364311]
既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。
本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。
提案手法は,0.22 MAE,0.26 RMSE,1.9%$R2$の改善により,スタンフォードデータセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2023-10-09T05:57:01Z) - A Conditional Flow Variational Autoencoder for Controllable Synthesis of
Virtual Populations of Anatomy [76.20367415712867]
本稿では,正規化フローを用いた条件付き変分オートエンコーダ(cVAE)を提案する。
2360例の心左心室データを用いた条件流VAEの性能について検討した。
論文 参考訳（メタデータ） (2023-06-26T13:23:52Z) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳（メタデータ） (2022-08-22T22:01:44Z) - Three-Dimensional Segmentation of the Left Ventricle in Late Gadolinium
Enhanced MR Images of Chronic Infarction Combining Long- and Short-Axis
Information [5.947543669357994]
LGE CMR画像におけるLVの自動3次元セグメンテーションのための包括的フレームワークを提案する。
本稿では,一貫した心筋エッジポイント検出のためのLVのパラメトリックモデルを提案する。
提案手法を,21組の実患者と4組のファントムデータを用いて評価した。
論文 参考訳（メタデータ） (2022-05-21T09:47:50Z) - SCPM-Net: An Anchor-free 3D Lung Nodule Detection Network using Sphere
Representation and Center Points Matching [47.79483848496141]
3次元球面表現に基づく中心点マッチング検出ネットワーク(SCPM-Net)を提案する。
アンカーフリーで、nodule/anchorパラメータを手動で設計することなく、nodulesの位置、半径、オフセットを自動的に予測する。
提案するSCPM-Netフレームワークは,既存のアンカーベースおよびアンカーフリーの肺結節検出法と比較して,優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2021-04-12T05:51:29Z) - Spatio-temporal Multi-task Learning for Cardiac MRI Left Ventricle
Quantification [6.887389908965403]
心左心室(LV)形態の完全な測定セットを得るための学習時型マルチタスクアプローチを提案します。
まず,エンコーダデコーダネットワークを用いてLVを分割し,11のLV指標を回帰し,心相を分類する枠組みを導入する。
提案モデルは,mr画像から空間的特徴と特徴を抽出する3次元時空間畳み込みに基づく。
論文 参考訳（メタデータ） (2020-12-24T17:48:35Z) - Multi-Task Neural Networks with Spatial Activation for Retinal Vessel
Segmentation and Artery/Vein Classification [49.64863177155927]
本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。
提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
論文 参考訳（メタデータ） (2020-07-18T05:46:47Z) - 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)
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。