論文の概要: Shape constrained CNN for segmentation guided prediction of myocardial shape and pose parameters in cardiac MRI

• arxiv url: http://arxiv.org/abs/2203.01089v1
• Date: Wed, 2 Mar 2022 13:20:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-03 15:27:47.175949
• Title: Shape constrained CNN for segmentation guided prediction of myocardial shape and pose parameters in cardiac MRI
• Title（参考訳）: 心臓MRIにおける心筋形状とポーズパラメータのセグメンテーション誘導予測のための形状制約CNN
• Authors: Sofie Tilborghs, Jan Bogaert, Frederik Maes
• Abstract要約: 我々は、CNNを用いて、心筋の統計的形状モデルの形状パラメータを予測する。 統合形状モデルは予測輪郭を規則化し、現実的な形状を保証する。 形状パラメータの予測に,同時セマンティックセグメンテーションと2つの新たに定義された損失関数の利点を示す。
• 参考スコア（独自算出の注目度）: 0.6445605125467573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation using convolutional neural networks (CNNs) is the state-of-the-art for many medical image segmentation tasks including myocardial segmentation in cardiac MR images. However, the predicted segmentation maps obtained from such standard CNN do not allow direct quantification of regional shape properties such as regional wall thickness. Furthermore, the CNNs lack explicit shape constraints, occasionally resulting in unrealistic segmentations. In this paper, we use a CNN to predict shape parameters of an underlying statistical shape model of the myocardium learned from a training set of images. Additionally, the cardiac pose is predicted, which allows to reconstruct the myocardial contours. The integrated shape model regularizes the predicted contours and guarantees realistic shapes. We enforce robustness of shape and pose prediction by simultaneously performing pixel-wise semantic segmentation during training and define two loss functions to impose consistency between the two predicted representations: one distance-based loss and one overlap-based loss. We evaluated the proposed method in a 5-fold cross validation on an in-house clinical dataset with 75 subjects and on the ACDC and LVQuan19 public datasets. We show the benefits of simultaneous semantic segmentation and the two newly defined loss functions for the prediction of shape parameters. Our method achieved a correlation of 99% for left ventricular (LV) area on the three datasets, between 91% and 97% for myocardial area, 98-99% for LV dimensions and between 80% and 92% for regional wall thickness.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)を用いたセマンティックセグメンテーションは、心臓MRI画像における心筋セグメンテーションを含む多くの医療画像セグメンテーションタスクの最先端技術である。 しかし, 標準cnnから得られた予測されたセグメンテーションマップでは, 局所壁厚などの局所形状特性を直接定量化することはできない。 さらに、CNNには明確な形状制約がなく、時には非現実的なセグメンテーションをもたらす。 本稿では, cnnを用いて, 画像のトレーニングセットから学習した心筋の統計的形状モデルの形状パラメータを予測した。 さらに、心臓のポーズが予測され、心筋輪郭を再構築することができる。 統合形状モデルは予測輪郭を規則化し、現実的な形状を保証する。 訓練中,ピクセル単位のセマンティクスセグメンテーションを同時に実行して,形状とポーズのロバスト性を実行し,予測した2つの表現間の一貫性を課す2つの損失関数(距離単位の損失と重複単位の損失)を定義する。 提案手法を,75名の被験者とACDCおよびLVQuan19公開データセットを用いた社内臨床データセットの5倍のクロス検証で評価した。 形状パラメータの予測に,同時セマンティックセグメンテーションと2つの新たに定義された損失関数の利点を示す。 3つのデータセットで左室(lv)面積99%,心筋面積91%から97%,lv次元98-99%,局所壁厚80%から92%の相関を得た。

関連論文リスト

• Deep Learning for Multi-Level Detection and Localization of Myocardial Scars Based on Regional Strain Validated on Virtual Patients [0.14980193397844668]
  我々は, 心筋疾患の基質をグローバル, 領域, セグメントレベルで予測するための単一の枠組みを提案する。 臨床標準ブルジー表現から多チャンネル2D画像への入力データの解剖学的意味の表現を提案する。 The Fully Convolutional Network (FCN) is trained to detect and localization myocardial scar from Regional left Venentricular (LV) strain pattern。
  論文  参考訳（メタデータ） (2024-03-15T13:31:33Z)
• 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)
• Deep Statistic Shape Model for Myocardium Segmentation [10.381467202920303]
  本稿では, 形状整合性と境界対応性の両方を保ち, 心筋セグメンテーションに焦点をあてる新しいエンド・ツー・エンドの深部統計形状モデルを提案する。 ディープニューラルネットワークは変換パラメータを予測するために使用され、平均点雲を画像領域にワープするために使用される。 より正確なポイントクラウドを学ぶために、マスク監視をフレームワークに組み込むために、差別化可能なレンダリング層が導入されている。
  論文  参考訳（メタデータ） (2022-07-21T17:01:24Z)
• Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
  位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。 既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。 セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
  論文  参考訳（メタデータ） (2021-06-27T09:31:49Z)
• 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)
• Shape Constrained CNN for Cardiac MR Segmentation with Simultaneous Prediction of Shape and Pose Parameters [0.5249805590164902]
  統計的形状モデルから得られたポーズパラメータと形状パラメータの回帰により,LVと心筋セグメンテーションを行う。 トレーニング中に分割距離マップを同時に構築することにより,形状の頑健さとポーズの予測を行う。 この方法はLVQuan18とLVQuan19の公開データセットで検証され、最先端の結果を得た。
  論文  参考訳（メタデータ） (2020-10-18T09:51:04Z)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)
• Deep Modeling of Growth Trajectories for Longitudinal Prediction of Missing Infant Cortical Surfaces [58.780482825156035]
  空間グラフ畳み込みニューラルネットワーク(GCNN)を用いた皮質表面の経時的予測法を提案する。 提案手法は,皮質成長軌跡をモデル化し,複数点の内曲面と外曲面を共同で予測する。 本手法が時間的皮質成長パターンの非線形性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2020-09-06T18:46:04Z)
• Cardiac Segmentation with Strong Anatomical Guarantees [12.424949276500282]
  畳み込みニューラルネットワーク(CNN)は医療画像において前例のない成功を収めた。 CNNは、以前の形状の上に構築された場合でも、解剖学的に不正確なセグメンテーションを生成することに免疫を持たない。 本稿では,予め定義された解剖学的基準を尊重することが保証される心臓画像分割マップを作成するための枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-15T23:38:31Z)
• 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)
• Volumetric parcellation of the right ventricle for regional geometric and functional assessment [0.44226489787197854]
  そこで我々は,3つのRV領域(apical, inlet, outflow)を局所的に評価する手法を開発した。 この手法の入力は、エンドシストリクス(ED)とエンドシストリクス(ES)セグメンテーションされた3次元表面モデルである。 本手法は,局所的周方向,大域的周方向,縦方向のRVリモデリングに適していることを示す。
  論文  参考訳（メタデータ） (2020-03-18T18:31:26Z)

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。