Fugu-MT 論文翻訳(概要): Light-weight spatio-temporal graphs for segmentation and ejection fraction prediction in cardiac ultrasound

論文の概要: Light-weight spatio-temporal graphs for segmentation and ejection fraction prediction in cardiac ultrasound

arxiv url: http://arxiv.org/abs/2207.02549v1
Date: Wed, 6 Jul 2022 10:03:44 GMT
ステータス: 処理完了
システム内更新日: 2022-07-07 13:55:01.368689
Title: Light-weight spatio-temporal graphs for segmentation and ejection fraction prediction in cardiac ultrasound
Title（参考訳）: 心エコーにおける分画・放出分画予測のための軽量時空間グラフ
Authors: Sarina Thomas, Andrew Gilbert, and Guy Ben-Yosef
Abstract要約: 本研究では,左心室分画予測と左心室分画のためのEchoGraphsという自動手法を提案する。キーポイントの検出には、GCN(Graph Conal Networks)に基づく直接座標回帰モデルを用いる。セマンティックセグメンテーションと比較すると、GCNは正確なセグメンテーションと堅牢性と推論ランタイムの改善を示している。
参考スコア（独自算出の注目度）: 5.597394612661975
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate and consistent predictions of echocardiography parameters are important for cardiovascular diagnosis and treatment. In particular, segmentations of the left ventricle can be used to derive ventricular volume, ejection fraction (EF) and other relevant measurements. In this paper we propose a new automated method called EchoGraphs for predicting ejection fraction and segmenting the left ventricle by detecting anatomical keypoints. Models for direct coordinate regression based on Graph Convolutional Networks (GCNs) are used to detect the keypoints. GCNs can learn to represent the cardiac shape based on local appearance of each keypoint, as well as global spatial and temporal structures of all keypoints combined. We evaluate our EchoGraphs model on the EchoNet benchmark dataset. Compared to semantic segmentation, GCNs show accurate segmentation and improvements in robustness and inference runtime. EF is computed simultaneously to segmentations and our method also obtains state-of-the-art ejection fraction estimation. Source code is available online: https://github.com/guybenyosef/EchoGraphs.
Abstract（参考訳）: 心血管疾患の診断と治療には,心エコーパラメータの正確かつ一貫した予測が重要である。特に左室のセグメンテーションは、心室容積、放出分画(EF)、その他の関連する測定を導出するために用いられる。本稿では, 左心室を解剖学的キーポイントで検出し, 吐出率を予測し, セグメンテーションを行うEchoGraphsという新しい自動化手法を提案する。グラフ畳み込みネットワーク(GCN)に基づく直接座標回帰モデルを用いてキーポイントを検出する。 GCNは、各キーポイントの局所的な外観と、すべてのキーポイントのグローバルな空間的および時間的構造に基づいて、心臓の形状を表現することができる。我々は、EchoNetベンチマークデータセット上で、EchoGraphsモデルを評価する。セマンティックセグメンテーションと比較すると、GCNは正確なセグメンテーションと堅牢性と推論ランタイムの改善を示している。 EFはセグメンテーションと同時計算され,提案手法は最先端の射出率推定も行う。ソースコードはhttps://github.com/guybenyosef/echographs。

関連論文リスト

CoReEcho: Continuous Representation Learning for 2D+time Echocardiography Analysis [42.810247034149214]
直接EF回帰に適した連続表現を強調する新しいトレーニングフレームワークであるCoReEchoを提案する。 CoReEcho: 1) 最大の心エコー画像データセット(EchoNet-Dynamic)上で現在最先端のSOTA(State-of-the-art)を、82.44の3.90&R2のMAEで上回り、2) 関連する下流タスクにおいてより効果的に転送する堅牢で一般化可能な機能を提供する。
論文参考訳（メタデータ） (2024-03-15T10:18:06Z)
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)
Towards Robust Cardiac Segmentation using Graph Convolutional Networks [0.9507020058422264]
本稿では,心解剖学に基づく2つの畳み込み環を用いたグラフアーキテクチャを提案する。この予測器は,分布外および不適な入力画像をリアルタイムに検出できることを示す。
論文参考訳（メタデータ） (2023-10-02T13:55:06Z)
SimLVSeg: Simplifying Left Ventricular Segmentation in 2D+Time Echocardiograms with Self- and Weakly-Supervised Learning [0.8672882547905405]
狭義の心エコービデオから一貫した左室(LV)セグメンテーションを行うビデオベースネットワークであるSimLVSegを開発した。 SimLVSegは、時間的マスキングによる自己教師付き事前トレーニングと、スパースアノテーションからのLVセグメンテーションに適した弱い教師付き学習で構成されている。我々は、SimLVSegが、最大の2D+時間心エコー画像データセットで93.32%のダイススコアを達成して、最先端のソリューションをいかに優れているかを実証する。
論文参考訳（メタデータ） (2023-09-30T18:13:41Z)
GraphEcho: Graph-Driven Unsupervised Domain Adaptation for Echocardiogram Video Segmentation [15.8851111502473]
本稿では,心エコービデオセグメンテーションにおける教師なし領域適応(UDA)について検討する。既存のUDAセグメンテーション手法は、局所的な情報や心拍の周期的一貫性をモデル化しないため、このタスクには適していない。本稿では,新たに収集したCardiacUDAデータセットと,心構造セグメンテーションのための新しいGraphEcho手法を提案する。
論文参考訳（メタデータ） (2023-09-20T08:44:10Z)
Interactive Segmentation for COVID-19 Infection Quantification on Longitudinal CT scans [40.721386089781895]
病状進行と治療に対する反応を正確に評価するためには,複数の時点にまたがる患者のCTスキャンの連続的セグメンテーションが不可欠である。既存の医用画像の自動および対話的セグメンテーションモデルでは、単一の時点からのデータのみを使用する(静的)。本稿では,過去の情報をすべて活用し,フォローアップスキャンのセグメンテーションを改良する,インタラクティブセグメンテーションのための新しい単一ネットワークモデルを提案する。
論文参考訳（メタデータ） (2021-10-03T08:06:38Z)
EllipseNet: Anchor-Free Ellipse Detection for Automatic Cardiac Biometrics in Fetal Echocardiography [18.616697103809713]
本稿では,アンカーフリーな楕円検出ネットワークであるEllipseNetを提案する。楕円の心・胸部領域を検知し、胎児心生体計測のCTRと心軸を自動的に計算する。本研究は,2000名以上の被験者を対象に,臨床心エコーデータを用いたEllipseNetの評価を行った。
論文参考訳（メタデータ） (2021-09-26T01:44:56Z)
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)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)
CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
論文参考訳（メタデータ） (2020-04-05T16:34:51Z)
Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
論文参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。