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
- 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 [0.6533458718563318]
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) - 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) - EchoGNN: Explainable Ejection Fraction Estimation with Graph Neural
Networks [26.817931695658583]
エジェクション分画(EF)は心機能の重要な指標であり、心不全などの心機能障害に起因した患者の識別を可能にする。
EFは、左心室を手動で追跡し、その容積を特定のフレームで推定することにより、心エコー(echo)として知られる心エコービデオから推定される。
これらの推定は、手動のプロセスと様々なビデオ品質により、サーバ間のばらつきが高い。
エコービデオからEFを推定するために,グラフニューラルネットワーク(GNN)に基づくモデルであるEchoGNNを導入する。
論文 参考訳(メタデータ) (2022-08-30T05:59:57Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - 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) - Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein
Segmentation in CT [45.93021999366973]
肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。
コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。
細気管支、動脈、静脈に対して優れた感受性を有する。
論文 参考訳(メタデータ) (2020-12-10T15:56:08Z) - 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。