論文の概要: Epicardial Adipose Tissue Segmentation from CT Images with A Semi-3D Neural Network

• arxiv url: http://arxiv.org/abs/2204.12904v1
• Date: Wed, 27 Apr 2022 13:15:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 17:55:11.949264
• Title: Epicardial Adipose Tissue Segmentation from CT Images with A Semi-3D Neural Network
• Title（参考訳）: 半3次元ニューラルネットワークを用いたCT画像からの心内膜組織分画
• Authors: Marin Ben\v{c}evi\'c, Marija Habijan, Irena Gali\'c
• Abstract要約: 本稿では, 深部神経回路を用いたCT画像から心房細動組織の完全自動セマンティックセマンティックセグメンテーション法を提案する。 提案ネットワークは,入力画像にスライス深度情報を埋め込んだU-Netアーキテクチャを用いて,興味のあるセグメンテーション領域を分割する。 提案手法のクロスバリデーションにより20例のCTでDiceスコアが0.86となった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Epicardial adipose tissue is a type of adipose tissue located between the heart wall and a protective layer around the heart called the pericardium. The volume and thickness of epicardial adipose tissue are linked to various cardiovascular diseases. It is shown to be an independent cardiovascular disease risk factor. Fully automatic and reliable measurements of epicardial adipose tissue from CT scans could provide better disease risk assessment and enable the processing of large CT image data sets for a systemic epicardial adipose tissue study. This paper proposes a method for fully automatic semantic segmentation of epicardial adipose tissue from CT images using a deep neural network. The proposed network uses a U-Net-based architecture with slice depth information embedded in the input image to segment a pericardium region of interest, which is used to obtain an epicardial adipose tissue segmentation. Image augmentation is used to increase model robustness. Cross-validation of the proposed method yields a Dice score of 0.86 on the CT scans of 20 patients.
• Abstract（参考訳）: 心外脂肪組織(epipial adipose tissue)は、心臓壁と心周囲保護層の間に位置する脂肪組織の一種である。 心膜脂肪組織の体積と厚さは各種の心血管疾患と関連している。 独立した心血管疾患の危険因子であることが示されている。 CTスキャンによる心膜脂肪組織の自動的および信頼性の高い測定により,疾患リスクの評価が向上し,全身性心膜脂肪組織研究のための大規模CT画像データセットの処理が可能となった。 本稿では,深層ニューラルネットワークを用いたct画像からの心内膜脂肪組織の完全自動セグメンテーション手法を提案する。 提案ネットワークは、入力画像にスライス深度情報を埋め込んだU-Netベースのアーキテクチャを用いて、心外膜組織セグメンテーションを得るための関心領域をセグメンテーションする。 画像強化はモデルの堅牢性を高めるために使用される。 提案手法のクロスバリデーションにより20例のCTでDiceスコアが0.86となった。

関連論文リスト

• FiAt-Net: Detecting Fibroatheroma Plaque Cap in 3D Intravascular OCT Images [17.340769351344683]
  冠状動脈疾患の主な徴候は、冠動脈閉塞や心臓発作の原因となるフィブロアセロマトーデス・プラークの発達である。 本稿では, 血管内光コヒーレンス断層撮影(IV OCT)画像において, 深層学習に基づく新しいアプローチであるFiAt-Net(FiAt-Net)について報告する。 われわれのFiAt-Netは,IV OCT画像中のFAキャップを高精度に検出し,3次元IV OCT冠動脈画像データセット上で高い性能を示した。
  論文  参考訳（メタデータ） (2024-09-13T20:50:28Z)
• Coronary artery segmentation in non-contrast calcium scoring CT images using deep learning [2.2687766762329886]
  非コントラスト心エコー画像における冠状動脈のセグメンテーションのためのディープラーニングアルゴリズムを提案する。 テストGTを作成するために,手動メッシュ画像登録のための新しい手法を提案する。 実験結果から,トレーニングに使用するGTよりもトレーニングモデルの精度が有意に高く,相互変動に近いDiceとclDiceの測定値が得られた。
  論文  参考訳（メタデータ） (2024-03-04T23:40:02Z)
• Automated recognition of the pericardium contour on processed CT images using genetic algorithms [0.0]
  本稿では,ヒト心臓の心膜輪郭の追跡と認識に遺伝的アルゴリズム(GA)を用いることを提案する。 最適なエリプスは心膜輪郭に近づき、心臓の心膜脂肪と縦隔脂肪を適切に分離するものである。
  論文  参考訳（メタデータ） (2022-08-30T16:35:41Z)
• 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)
• Segmentation-free PVC for Cardiac SPECT using a Densely-connected Multi-dimensional Dynamic Network [11.546783296332961]
  CTやMRIから高分解能解剖情報を取り入れた部分体積補正法が有効であることが証明された。 本研究では,解剖学的情報と関連する臓器セグメント化を伴わない高速心電図SPECT PVCのための深層学習法を開発した。
  論文  参考訳（メタデータ） (2022-06-24T15:31:14Z)
• 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)
• Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
  心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。 これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。 形状と境界認識機能を利用する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-27T13:54:59Z)
• COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
  我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。 また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
  論文  参考訳（メタデータ） (2020-09-08T15:49:55Z)
• 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)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。