論文の概要: Tempera: Spatial Transformer Feature Pyramid Network for Cardiac MRI Segmentation

• arxiv url: http://arxiv.org/abs/2203.00355v1
• Date: Tue, 1 Mar 2022 11:05:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 19:03:50.494321
• Title: Tempera: Spatial Transformer Feature Pyramid Network for Cardiac MRI Segmentation
• Title（参考訳）: Tempera: 心臓MRI分割のための空間変換器特徴ピラミッドネットワーク
• Authors: Christoforos Galazis, Huiyi Wu, Zhuoyu Li, Camille Petri, Anil A. Bharath, Marta Varela
• Abstract要約: 本研究は,短軸心MR画像と長軸心MR画像の両方において,RVのセグメンテーションに重点を置いている。 このモデルでは,SAとLAの平均Diceスコアは0.836,LAは0.798,Hausdorff距離は26.31mm,Hausdorff距離は31.19mmである。
• 参考スコア（独自算出の注目度）: 0.41371009341458315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assessing the structure and function of the right ventricle (RV) is important in the diagnosis of several cardiac pathologies. However, it remains more challenging to segment the RV than the left ventricle (LV). In this paper, we focus on segmenting the RV in both short (SA) and long-axis (LA) cardiac MR images simultaneously. For this task, we propose a new multi-input/output architecture, hybrid 2D/3D geometric spatial TransformEr Multi-Pass fEature pyRAmid (Tempera). Our feature pyramid extends current designs by allowing not only a multi-scale feature output but multi-scale SA and LA input images as well. Tempera transfers learned features between SA and LA images via layer weight sharing and incorporates a geometric target transformer to map the predicted SA segmentation to LA space. Our model achieves an average Dice score of 0.836 and 0.798 for the SA and LA, respectively, and 26.31 mm and 31.19 mm Hausdorff distances. This opens up the potential for the incorporation of RV segmentation models into clinical workflows.
• Abstract（参考訳）: 心疾患の診断には右心室(RV)の構造と機能を評価することが重要である。 しかし、左心室(LV)よりもRVを分節することは依然として困難である。 本稿では,短い(SA)と長い(LA)心MR画像の両方において,RVのセグメンテーションに焦点をあてる。 本研究では,新しいマルチインプット/アウトプットアーキテクチャ,ハイブリッド2D/3D幾何空間トランスフォームEr fEature pyRAmid (Tempera)を提案する。 我々の特徴ピラミッドは、マルチスケールの特徴出力だけでなく、マルチスケールのSAとLAの入力画像も可能にすることで、現在の設計を拡張している。 テンペラはSA画像とLA画像の層重み分けにより学習特徴を伝達し、予測されたSAセグメントをLA空間にマッピングするために幾何学的ターゲット変換器を組み込む。 このモデルでは,SAとLAの平均Diceスコアは0.836,LAは0.798,Hausdorff距離は26.31mm,Hausdorff距離は31.19mmである。 これにより、RVセグメンテーションモデルを臨床ワークフローに組み込む可能性が開ける。

関連論文リスト

• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• High-resolution 3D Maps of Left Atrial Displacements using an Unsupervised Image Registration Neural Network [2.4633187637169303]
  左心房の機能解析は, 心血管疾患の予後と診断において, ますます重要な役割を担っている。 本研究では、LAを自動的に分割し、心循環全体にわたって変位場を抽出するツールを提案する。 パイプラインは心臓循環を横断するLAの壁を正確に追跡することができ、平均ハウスドルフ距離は2.51 pm 1.3mm$、ディーススコアは92 pm 0.02$である。
  論文  参考訳（メタデータ） (2023-09-05T12:33:05Z)
• 3DSAM-adapter: Holistic adaptation of SAM from 2D to 3D for promptable tumor segmentation [52.699139151447945]
  医用画像の領域分割を行うために, SAMを2次元から3次元に変換する新しい適応法を提案する。 本モデルでは, 腎腫瘍, 膵腫瘍, 大腸癌の3つのタスクのうち8.25%, 29.87%, 10.11%の3つのタスクにおいて, ドメイン・オブ・ザ・アーティヴ・メディカル・イメージ・セグメンテーション・モデルより優れ, 肝腫瘍セグメンテーションでも同様の性能が得られる。
  論文  参考訳（メタデータ） (2023-06-23T12:09:52Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Multi-view SA-LA Net: A framework for simultaneous segmentation of RV on multi-view cardiac MR Images [0.0]
  短軸(SA)および長軸(LA)心MR画像上でのRVの同時分割のための多視点SA-LAモデルを提案した。 1つのエンコーダ/デコーダペアは、RVをSA画像に、もう1つのペアをLA画像にセグメントする。
  論文  参考訳（メタデータ） (2021-10-01T23:26:51Z)
• Right Ventricular Segmentation from Short- and Long-Axis MRIs via Information Transition [13.292060121301544]
  本稿では、長軸(LA)ビューからの情報を利用して短軸(SA)ビューのセグメンテーションを支援する自動RVセグメンテーションフレームワークを提案する。 具体的には、LAビューから変換されたセグメンテーションを事前情報として、SAビューからROIを抽出し、セグメンテーションを改善する。 実験の結果, LAビューを含めることで, SAセグメンテーションの精度を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2021-09-05T21:39:27Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• AtrialGeneral: Domain Generalization for Left Atrial Segmentation of Multi-Center LGE MRIs [18.22326892162902]
  左心房細動 (LA) は, 心房細動の治療計画において重要なステップである。 深層学習に基づく手法は、有望なLAセグメンテーション結果を提供することができるが、しばしば目に見えない領域に一般化する。 マルチセンターLGE MRIのLAセグメント化には4つの一般的なセマンティックセマンティックセマンティクスネットワークを用いる。
  論文  参考訳（メタデータ） (2021-06-16T11:58:11Z)
• Unsupervised Domain Adaptation from Axial to Short-Axis Multi-Slice Cardiac MR Images by Incorporating Pretrained Task Networks [0.6437191714189735]
  AX と SAX CMR 画像の間にはかなりの領域シフトがあることが示されている。 タスク関連確率を注意メカニズムとして用いる新しい非監視領域適応手法を提案する。 トレーニング済みのタスクモジュールは、ターゲットドメインからcmrイメージやラベルを見たことがないが、ドメインギャップが減った後にそれらをセグメント化することができる。
  論文  参考訳（メタデータ） (2021-01-19T14:39:30Z)
• 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)

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。