論文の概要: Steerable Pyramid Transform Enables Robust Left Ventricle Quantification
- arxiv url: http://arxiv.org/abs/2201.08388v1
- Date: Thu, 20 Jan 2022 06:09:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 23:05:27.843975
- Title: Steerable Pyramid Transform Enables Robust Left Ventricle Quantification
- Title（参考訳）: ステアブルピラミッド変換によりロバストな左室定量化が可能に
- Authors: Xiangyang Zhu and Kede Ma and Wufeng Xue
- Abstract要約: 左室定量化(LV)のための頑健なCNNを簡便かつ効果的に学習する方法について述べる。
我々のアプローチの成功の鍵は、固定されたフロントエンド処理として生物学的にインスパイアされたステアブルピラミッド変換(SPT)を使用することである。
我々のSPT拡張手法は予測精度において最先端のアルゴリズムに対して良好に機能するが、入力摂動下でははるかに堅牢である。
- 参考スコア（独自算出の注目度）: 29.172076879335503
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although multifarious variants of convolutional neural networks (CNNs) have
proved successful in cardiac index quantification, they seem vulnerable to mild
input perturbations, e.g., spatial transformations, image distortions, and
adversarial attacks. Such brittleness erodes our trust in CNN-based automated
diagnosis of various cardiovascular diseases. In this work, we describe a
simple and effective method to learn robust CNNs for left ventricle (LV)
quantification, including cavity and myocardium areas, directional dimensions,
and regional wall thicknesses. The key to the success of our approach is the
use of the biologically-inspired steerable pyramid transform (SPT) as fixed
front-end processing, which brings three computational advantages to LV
quantification. First, the basis functions of SPT match the anatomical
structure of the LV as well as the geometric characteristics of the estimated
indices. Second, SPT enables sharing a CNN across different orientations as a
form of parameter regularization, and explicitly captures the scale variations
of the LV in a natural way. Third, the residual highpass subband can be
conveniently discarded to further encourage robust feature learning. A concise
and effective metric, named Robustness Ratio, is proposed to evaluate the
robustness under various input perturbations. Extensive experiments on 145
cardiac sequences show that our SPT-augmented method performs favorably against
state-of-the-art algorithms in terms of prediction accuracy, but is
significantly more robust under input perturbations.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)の多変種は心臓の指標定量化に成功しているが、空間変換、画像の歪み、敵の攻撃といった軽度の入力摂動に弱いように見える。
このような脆さは、様々な心血管疾患のcnnに基づく自動診断への信頼を損なう。
本研究では,左室(lv)定量化のロバストなcnnについて,キャビティ,心筋面積,方向寸法,局所壁厚など,簡便かつ効果的な方法を提案する。
我々のアプローチの成功の鍵は、生物学的にインスパイアされたステアブルピラミッド変換(SPT)を固定フロントエンド処理として使用することで、LV定量化に3つの計算上の利点をもたらすことである。
まず,SPTの基本機能は,LVの解剖学的構造と推定指標の幾何学的特性に一致した。
第二に、SPTはパラメータ正規化の一形態として異なる向きでCNNを共有することができ、自然な方法でLVのスケールバリエーションを明示的にキャプチャする。
第3に、残留ハイパスサブバンドを便利に廃棄して、より堅牢な特徴学習を促進することができる。
様々な入力摂動下でのロバスト性を評価するために,ロバスト性比という簡潔で効果的な指標が提案されている。
145個の心的配列に対する拡張実験により,SPT法は予測精度において最先端のアルゴリズムに対して良好に作用するが,入力摂動下では著しく堅牢であることがわかった。
関連論文リスト
- Explicit Differentiable Slicing and Global Deformation for Cardiac Mesh Reconstruction [8.730291904586656]
医用画像からの心臓解剖のメッシュ再構築は, 形状, 運動計測, 生体物理シミュレーションに有用である。
従来のボクセルベースのアプローチは、イメージの忠実さを損なう前処理と後処理に依存している。
そこで本稿では,メッシュのスライスからメッシュへの勾配バックプロパゲーションを可能にする,新しい識別可能なボキセル化とスライシング(DVS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-03T17:19:31Z) - 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) - Continuous max-flow augmentation of self-supervised few-shot learning on SPECT left ventricles [0.0]
本研究の目的は, 診断センターとクリニックが, 小型・低品質のSPECTラベルに基づいて自動的に心筋のセグメンテーションを行うためのレシピを提供することである。
SPECT装置の様々な領域における3次元U-Net自己教師学習(SSL)アプローチを強化するために,CMF(Continuous Max-Flow)と事前形状情報の組み合わせを開発した。
論文 参考訳（メタデータ） (2024-05-09T03:19:19Z) - 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) - 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) - Anomaly Detection in Echocardiograms with Dynamic Variational Trajectory
Models [14.784158889077313]
心エコービデオの新しい異常検出法を提案する。
心拍周期の周期的特性を利用して変動潜在軌道モデル(TVAE)の3つの変種を学習する。
これは、Ebstein's AnomalyやShone-complexのような重度の先天性心不全を確実に識別する。
論文 参考訳（メタデータ） (2022-06-30T14:42:18Z) - A new method incorporating deep learning with shape priors for left
ventricular segmentation in myocardial perfusion SPECT images [14.185169567232055]
心筋灌流SPECT(MPS)による左室機能評価は, 正確な心筋セグメンテーションに依存している。
本研究の目的は,LV機能パラメータの自動計測のためのLV心筋を高精度に抽出するために,形状に深層学習を取り入れた新しい手法を開発し,検証することである。
論文 参考訳（メタデータ） (2022-06-07T22:12:11Z) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-10-11T07:13:26Z) - HEMlets PoSh: Learning Part-Centric Heatmap Triplets for 3D Human Pose
and Shape Estimation [60.35776484235304]
本研究は, 中間状態部分熱マップトリプレット(HEMlets)を導入し, 検出された2次元関節を三次元空間に持ち上げる不確実性に対処しようとするものである。
HEMletsは3つのジョイントヒートマップを使用して、各骨格体部に対するエンドジョイントの相対的な深さ情報を表す。
Convolutional Network (ConvNet) は、入力画像からHEMletを予測し、次にボリュームのジョイント・ヒートマップレグレッションを学習する。
論文 参考訳（メタデータ） (2020-03-10T04:03:45Z)
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。