論文の概要: Echocardiography Segmentation with Enforced Temporal Consistency
- arxiv url: http://arxiv.org/abs/2112.02102v1
- Date: Fri, 3 Dec 2021 16:09:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-07 15:35:27.993126
- Title: Echocardiography Segmentation with Enforced Temporal Consistency
- Title（参考訳）: 心エコー法による経時的整合性の検討
- Authors: Nathan Painchaud, Nicolas Duchateau, Olivier Bernard, Pierre-Marc
Jodoin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.652677452009627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional neural networks (CNN) have demonstrated their ability to
segment 2D cardiac ultrasound images. However, despite recent successes
according to which the intra-observer variability on end-diastole and
end-systole images has been reached, CNNs still struggle to leverage temporal
information to provide accurate and temporally consistent segmentation maps
across the whole cycle. Such consistency is required to accurately describe the
cardiac function, a necessary step in diagnosing many cardiovascular diseases.
In this paper, we propose a framework to learn the 2D+time long-axis cardiac
shape such that the segmented sequences can benefit from temporal and
anatomical consistency constraints. Our method is a post-processing that takes
as input segmented echocardiographic sequences produced by any state-of-the-art
method and processes it in two steps to (i) identify spatio-temporal
inconsistencies according to the overall dynamics of the cardiac sequence and
(ii) correct the inconsistencies. The identification and correction of cardiac
inconsistencies relies on a constrained autoencoder trained to learn a
physiologically interpretable embedding of cardiac shapes, where we can both
detect and fix anomalies. We tested our framework on 98 full-cycle sequences
from the CAMUS dataset, which will be rendered public alongside this paper. Our
temporal regularization method not only improves the accuracy of the
segmentation across the whole sequences, but also enforces temporal and
anatomical consistency.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(cnn)は2次元超音波像をセグメント化できることを実証した。
しかし、近年では、エンドディストル画像とエンドシストル画像のサーバ内変動が到達しているが、CNNは、時間的情報を活用して、サイクル全体にわたって正確で時間的に一貫したセグメンテーションマップを提供することに苦慮している。
このような一貫性は、心臓機能を正確に記述するために必要であり、多くの心血管疾患の診断に必要なステップである。
本稿では, 分節配列が時間的および解剖学的一貫性の制約から恩恵を受けるように, 2次元以上の長軸心臓形状を学習するための枠組みを提案する。
提案手法は, 心エコー図を入力として処理し, 2段階に分けて処理するポストプロセッシング法である。
(i)心配列の全体的な動態と時空間的不整合の同定
(ii)不一致を訂正する。
心不全の同定と修正は、心臓の形状の生理学的に解釈可能な埋め込みを学ぶよう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。
我々は、CAMUSデータセットから98のフルサイクルシーケンスでフレームワークをテストしました。
時間的正則化法は,全シーケンスのセグメンテーションの精度を向上するだけでなく,時間的および解剖学的整合性も強化する。
関連論文リスト
- CardiacNet: Learning to Reconstruct Abnormalities for Cardiac Disease Assessment from Echocardiogram Videos [10.06966396329022]
局所心構造と運動異常のより優れた表現を学習するために,CardiacNet という新しい再構築手法を提案する。
CardiacNet には Consistency deformation Codebook (CDC) と Consistency Deformed-Discriminator (CDD) が付属している。
実験では、3つの心臓疾患評価タスクで最先端の結果が得られます。
論文 参考訳（メタデータ） (2024-10-28T06:11:03Z) - Bidirectional Recurrence for Cardiac Motion Tracking with Gaussian Process Latent Coding [9.263168872795843]
GPTrackは、心臓運動の時間的および空間的ダイナミクスを探求するために作られた、教師なしのフレームワークである。
逐次ガウス過程を潜時空間で利用し、各時刻スタンプにおける空間情報による統計を符号化することにより、モーショントラッキングを強化する。
GPTrackは,3次元および4次元の医用画像における運動追跡の精度を,計算効率を保ちながら向上させる。
論文 参考訳（メタデータ） (2024-10-28T05:33:48Z) - Sequence-aware Pre-training for Echocardiography Probe Guidance [66.35766658717205]
心臓超音波は、(1)心臓の本質的に複雑な構造、(2)重要な個人差の2つの大きな課題に直面している。
これまでの研究は、心臓のパーソナライズされた構造的特徴よりも、心臓の2Dおよび3Dの人口平均構造についてしか学ばなかった。
パーソナライズされた2次元と3次元の心構造特徴を学習するためのシーケンス認識型自己教師付き事前学習法を提案する。
論文 参考訳（メタデータ） (2024-08-27T12:55:54Z) - Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。
2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
論文 参考訳（メタデータ） (2024-06-20T17:47:30Z) - Deep Learning for Automatic Strain Quantification in Arrhythmogenic
Right Ventricular Cardiomyopathy [0.0]
CMRIによる心臓運動の定量化は、不整脈性右室心筋症(ARVC)診断の不可欠な部分である。
Inlicit Neural Representations (INR) とディープラーニングを用いた心臓運動自動評価法を開発した。
以上の結果から,スライス間アライメントと超解像ボリュームの生成と,2つの心像の同時解析が相まって,登録性能が向上することが示唆された。
論文 参考訳（メタデータ） (2023-11-24T12:55:36Z) - 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) - Error correcting 2D-3D cascaded network for myocardial infarct scar
segmentation on late gadolinium enhancement cardiac magnetic resonance images [0.0]
完全自動で心筋梗塞の程度を計算できる2次元および3次元畳み込みニューラルネットワーク(CNN)のケースケードフレームワークを提案する。
EMIDECチャレンジのトレーニングデータセットを用いて,提案手法を5倍のクロスバリデーションで評価し,評価した。
論文 参考訳（メタデータ） (2023-06-26T14:21:18Z) - 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) - Myocardial Segmentation of Cardiac MRI Sequences with Temporal
Consistency for Coronary Artery Disease Diagnosis [12.53412028532286]
本研究では,左室腔,右室腔,心筋の心臓MRI(CMR)スキャン画像のシークエンスのための心筋セグメンテーションフレームワークを提案する。
我々のフレームワークは、Dice係数の最大2%のセグメンテーション精度を向上させることができる。
論文 参考訳（メタデータ） (2020-12-29T01:54:09Z) - 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) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳（メタデータ） (2020-11-17T16:15:49Z)
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。