論文の概要: Steerable Pyramid Transform Enables Robust Left Ventricle Quantification
- arxiv url: http://arxiv.org/abs/2201.08388v2
- Date: Tue, 2 Jul 2024 15:41:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 10:36:26.962234
- Title: Steerable Pyramid Transform Enables Robust Left Ventricle Quantification
- Title（参考訳）: 安定なピラミッド変換によりロバスト左室定量化が可能となる
- Authors: Xiangyang Zhu, Kede Ma, Wufeng Xue,
- Abstract要約: 左室定量化(LV)のためのロバストモデル学習法について述べる。
我々の成功は、固定されたフロントエンド処理に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)を採用することにある。
我々のSPT拡張モデルは、最先端の手法に比べて合理的な予測精度を達成するだけでなく、入力摂動に対する堅牢性も著しく向上している。
- 参考スコア（独自算出の注目度）: 24.186574235693826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting cardiac indices has long been a focal point in the medical imaging community. While various deep learning models have demonstrated success in quantifying cardiac indices, they remain susceptible to mild input perturbations, e.g., spatial transformations, image distortions, and adversarial attacks. This vulnerability undermines confidence in using learning-based automated systems for diagnosing cardiovascular diseases. In this work, we describe a simple yet effective method to learn robust models for left ventricle (LV) quantification, encompassing cavity and myocardium areas, directional dimensions, and regional wall thicknesses. Our success hinges on employing the biologically inspired steerable pyramid transform (SPT) for fixed front-end processing, which offers three main benefits. First, the basis functions of SPT align with the anatomical structure of LV and the geometric features of the measured indices. Second, SPT facilitates weight sharing across different orientations as a form of parameter regularization and naturally captures the scale variations of LV. Third, the residual highpass subband can be conveniently discarded, promoting robust feature learning. Extensive experiments on the Cardiac-Dig benchmark show that our SPT-augmented model not only achieves reasonable prediction accuracy compared to state-of-the-art methods, but also exhibits significantly improved robustness against input perturbations.
- Abstract（参考訳）: 心臓の指標の予測は、長い間、医療画像のコミュニティの焦点であった。
様々なディープラーニングモデルが心臓の指標の定量化に成功しているが、それらは軽度の入力摂動、例えば空間変換、画像の歪み、敵の攻撃に影響を受けやすいままである。
この脆弱性は、心血管疾患の診断に学習ベースの自動システムを使用することの信頼性を損なう。
本研究では,左心室定量化(LV)のためのロバストモデル(空洞および心筋領域,方向寸法,局所壁厚)を簡易かつ効果的に学習する手法について述べる。
我々の成功は、生物学的にインスパイアされたステアブル・ピラミッド・トランスフォーメーション(SPT)を固定フロントエンド処理に活用することにある。
まず,SPTの基本機能は,LVの解剖学的構造と測定指標の幾何学的特徴と整合する。
第二に、SPTはパラメータ正規化の一形態として異なる方向の重量共有を促進し、LVのスケール変動を自然に捉えている。
第三に、残高パスサブバンドを便利に破棄することができ、堅牢な特徴学習を促進する。
Cardiac-Digベンチマークの大規模な実験により、我々のSPT拡張モデルは、最先端の手法に比べて合理的な予測精度を達成するだけでなく、入力摂動に対するロバスト性も著しく向上していることが示された。
関連論文リスト
- 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) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-01T10:10:46Z) - 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) - Generative Myocardial Motion Tracking via Latent Space Exploration with
Biomechanics-informed Prior [16.129107206314043]
心筋運動と変形は、心臓機能を特徴づける豊富な記述子である。
画像登録は、心筋運動追跡において最も一般的に用いられる手法であり、不適切な逆問題である。
本稿では,アプリケーション固有のバイオメカニクスを前もって暗黙的に学習する手法を提案する。
論文 参考訳（メタデータ） (2022-06-08T12:02:00Z) - 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。