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
- A Multi-Scale Spatial Transformer U-Net for Simultaneously Automatic
Reorientation and Segmentation of 3D Nuclear Cardiac Images [6.347837887930855]
小型のLV心筋(LV-MY)領域の検出と各患者の心構造の変化は,LVセグメンテーションに対する課題を提起する。
マルチスケール空間変換器ネットワーク(MSSTN)とマルチスケールUNet(MSUNet)モジュールを含むマルチスケール空間変換器UNet(MS-ST-UNet)と呼ばれるエンドツーエンドモデルを提案する。
提案法は,13N-アンモニアPETと99mTc-sestamibi SPECTの2つの異なる核心画像モダリティを用いて,訓練および試験を行った。
論文 参考訳(メタデータ) (2023-10-16T05:56:53Z) - 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) - Implicit Stochastic Gradient Descent for Training Physics-informed
Neural Networks [51.92362217307946]
物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。
PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。
本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
論文 参考訳(メタデータ) (2023-03-03T08:17:47Z) - Mesh Neural Networks for SE(3)-Equivariant Hemodynamics Estimation on
the Artery Wall [9.924271375096547]
三次元幾何学的動脈モデルによる壁面上のベクトル値量の推定について検討する。
冠状動脈の大規模データセットを用いて実験を行い, 方向性壁せん断応力 (WSS) を近似誤差7.6%で推定した。
本手法は, 経時的, ベクトル値のWSSを, 異なる流れ境界条件下で正確に予測できるほど強力であることを示す。
論文 参考訳(メタデータ) (2022-12-09T18:16:06Z) - 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) - Differentially private training of neural networks with Langevin
dynamics forcalibrated predictive uncertainty [58.730520380312676]
その結果,DP-SGD(差分偏差勾配勾配勾配勾配勾配)は,低校正・過信深層学習モデルが得られることがわかった。
これは、医療診断など、安全クリティカルな応用にとって深刻な問題である。
論文 参考訳(メタデータ) (2021-07-09T08:14:45Z) - 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) - Combining Scatter Transform and Deep Neural Networks for Multilabel
Electrocardiogram Signal Classification [0.6117371161379209]
我々は、深い残留ニューラルネットワーク(ResNet)に、散乱変換と呼ばれる複素ウェーブレット変換の変種を組み込む。
このアプローチでは、挑戦検証スコアが0.640、完全テストスコアが0.485となり、公式ランキングで41中4位になった。
論文 参考訳(メタデータ) (2020-10-15T10:13:31Z) - Geometric Uncertainty in Patient-Specific Cardiovascular Modeling with
Convolutional Dropout Networks [0.0]
患者固有の心血管モデルの条件分布からサンプルを生成する新しい手法を提案する。
提案手法で導入された主な革新は、トレーニングデータから直接幾何的不確実性を学ぶ能力である。
論文 参考訳(メタデータ) (2020-09-16T00:13:12Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳(メタデータ) (2020-04-20T18:12:56Z)
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。