論文の概要: Left Ventricle Contouring of Apical Three-Chamber Views on 2D Echocardiography

• arxiv url: http://arxiv.org/abs/2207.06330v1
• Date: Wed, 13 Jul 2022 16:35:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-14 16:58:19.070386
• Title: Left Ventricle Contouring of Apical Three-Chamber Views on 2D Echocardiography
• Title（参考訳）: 2次元心エコー図による上腕三頭筋視の左室構成
• Authors: Alberto Gomez, Mihaela Porumb, Angela Mumith, Thierry Judge, Shan Gao, Woo-Jin Cho Kim, Jorge Oliveira and Agis Chartsias
• Abstract要約: 左心室を2次元心エコー画像で自動整形する手法を提案する。 我々は,この輪郭内における心内膜輪郭とキーランドマーク点の予測に焦点をあてる。 これは、専門家が手動のアノテーションを実行する方法に近い表現を提供し、したがって生理学的により妥当な結果を生み出す。
• 参考スコア（独自算出の注目度）: 2.573072884754704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a new method to automatically contour the left ventricle on 2D echocardiographic images. Unlike most existing segmentation methods, which are based on predicting segmentation masks, we focus at predicting the endocardial contour and the key landmark points within this contour (basal points and apex). This provides a representation that is closer to how experts perform manual annotations and hence produce results that are physiologically more plausible. Our proposed method uses a two-headed network based on the U-Net architecture. One head predicts the 7 contour points, and the other head predicts a distance map to the contour. This approach was compared to the U-Net and to a point based approach, achieving performance gains of up to 30\% in terms of landmark localisation (<4.5mm) and distance to the ground truth contour (<3.5mm).
• Abstract（参考訳）: 左心室を2次元心エコー画像で自動整形する手法を提案する。 セグメンテーションマスクの予測に基づく既存のセグメンテーション手法と異なり,心内輪郭の予測と,その輪郭内の重要なランドマークポイント(basal point and apex)の予測に重点を置いている。 これは、専門家の手動アノテーションの実行方法に近い表現を提供し、それゆえ、生理学的により妥当な結果を生み出す。 提案手法は,U-Netアーキテクチャに基づく2重ネットワークを用いる。 1つのヘッドは7つの輪郭点を予測し、もう1つのヘッドは輪郭への距離マップを予測する。 この手法はU-Netやポイントベースアプローチと比較され,ランドマークの局所化(<4.5mm) と地上の真理輪郭(<3.5mm) で最大30倍の性能向上を達成した。

関連論文リスト

• DenseSeg: Joint Learning for Semantic Segmentation and Landmark Detection Using Dense Image-to-Shape Representation [1.342749532731493]
  本稿では,ランドマークとセマンティックセグメンテーションの併用学習を可能にする画像と形状の濃密な表現を提案する。 本手法では,解剖学的対応の表現による任意のランドマークの抽出を直感的に行うことができる。
  論文  参考訳（メタデータ） (2024-05-30T06:49:59Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• Contour Context: Abstract Structural Distribution for 3D LiDAR Loop Detection and Metric Pose Estimation [31.968749056155467]
  本稿では,高精度な3DoF距離ポーズ推定を用いた簡易かつ効果的かつ効率的なトポロジカルループ閉包検出パイプラインを提案する。 我々は,3次元LiDAR点から投影されるBEV像を構造層分布として解釈する。 検索キーは、層状KD木でインデックスされたデータベースの検索を高速化するように設計されている。
  論文  参考訳（メタデータ） (2023-02-13T07:18:24Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Self-Supervised Depth Estimation in Laparoscopic Image using 3D Geometric Consistency [7.902636435901286]
  立体対に隠された3次元構造情報を利用する自己教師型深度推定器M3Depthを提案する。 提案手法は,公開データセットと新たに取得したデータセットの両方において,従来の自己教師型アプローチよりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2022-08-17T17:03:48Z)
• SketchSampler: Sketch-based 3D Reconstruction via View-dependent Depth Sampling [75.957103837167]
  1枚のスケッチ画像に基づいて3次元形状を再構成することは、スパースで不規則なスケッチと正規の高密度な3次元形状との間に大きな領域ギャップがあるため困難である。 既存の作品では、3D座標を直接予測するためにスケッチから抽出されたグローバルな特徴を活用しようとするが、通常は入力スケッチに忠実でない細部を失う。
  論文  参考訳（メタデータ） (2022-08-14T16:37:51Z)
• Comparison of Depth Estimation Setups from Stereo Endoscopy and Optical Tracking for Point Measurements [1.1084983279967584]
  最小侵襲の僧帽弁修復を支援するため、赤外追跡スタイラスを用いて弁からの定量的測定を得ることができる。 両座標系を繋ぎ、点を画像面に投影する前提条件であるハンドアイキャリブレーションが必要である。 これに対する補完的なアプローチは、3D座標を得るために、視覚に基づく立体セットを用いて興味のある点を検出し、三角測量することである。 予備的な結果から、3Dランドマーク推定は、手動でラベル付けするか、あるいはディープラーニングによる部分的自動検出によって行われる。
  論文  参考訳（メタデータ） (2022-01-26T10:15:46Z)
• KAMA: 3D Keypoint Aware Body Mesh Articulation [79.04090630502782]
  本稿では,パラメトリックなボディーモデルSMPLを簡単な幾何学的変換によって記述する解析解を提案する。 今回のアプローチは,最先端のアプローチと比較して,画像コンテンツのアライメントが大幅に向上する。 挑戦的な3DPWおよびHuman3.6Mの結果は私達のアプローチが最先端のボディ網付属品をもたらすことを示します。
  論文  参考訳（メタデータ） (2021-04-27T23:01:03Z)
• Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
  本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。 提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。 メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2020-10-23T14:49:02Z)
• PC-U Net: Learning to Jointly Reconstruct and Segment the Cardiac Walls in 3D from CT Data [18.941064150226236]
  2次元CTスライスから直接LV MYO壁の点雲を直接再構成するPC-Uネットを提案する。 提案したPC-Uネットの協調学習フレームワークは,自動心画像解析タスクに有用である。
  論文  参考訳（メタデータ） (2020-08-18T23:37:05Z)

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。