論文の概要: Deep Statistic Shape Model for Myocardium Segmentation
- arxiv url: http://arxiv.org/abs/2207.10607v1
- Date: Thu, 21 Jul 2022 17:01:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-22 13:19:34.206528
- Title: Deep Statistic Shape Model for Myocardium Segmentation
- Title(参考訳): 心筋分節の深部統計学的形状モデル
- Authors: Xiaoling Hu, Xiao Chen, Yikang Liu, Eric Z. Chen, Terrence Chen,
Shanhui Sun
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 10.381467202920303
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate segmentation and motion estimation of myocardium have always been
important in clinic field, which essentially contribute to the downstream
diagnosis. However, existing methods cannot always guarantee the shape
integrity for myocardium segmentation. In addition, motion estimation requires
point correspondence on the myocardium region across different frames. In this
paper, we propose a novel end-to-end deep statistic shape model to focus on
myocardium segmentation with both shape integrity and boundary correspondence
preserving. Specifically, myocardium shapes are represented by a fixed number
of points, whose variations are extracted by Principal Component Analysis
(PCA). Deep neural network is used to predict the transformation parameters
(both affine and deformation), which are then used to warp the mean point cloud
to the image domain. Furthermore, a differentiable rendering layer is
introduced to incorporate mask supervision into the framework to learn more
accurate point clouds. In this way, the proposed method is able to consistently
produce anatomically reasonable segmentation mask without post processing.
Additionally, the predicted point cloud guarantees boundary correspondence for
sequential images, which contributes to the downstream tasks, such as the
motion estimation of myocardium. We conduct several experiments to demonstrate
the effectiveness of the proposed method on several benchmark datasets.
- Abstract(参考訳): 臨床領域における心筋の正確な分節化と運動推定は常に重要であり, 基本的に下流診断に寄与している。
しかし、既存の方法は常に心筋セグメンテーションの形状整合性を保証することはできない。
さらに、運動推定には異なるフレームにわたる心筋領域の点対応が必要である。
本稿では,形状整合性と境界対応性の両方を保った心筋セグメンテーションに着目した,エンドツーエンドの深部統計形状モデルを提案する。
特に、心筋の形状は、主成分分析(PCA)によって抽出される一定数の点で表される。
ディープニューラルネットワークは変換パラメータ(アフィンと変形の両方)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。
さらに、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。
このようにして,提案手法はポスト処理をすることなく,解剖学的に妥当なセグメンテーションマスクを一貫して生成することができる。
さらに、予測された点雲は、心筋の運動推定などの下流課題に寄与する逐次画像の境界対応を保証する。
ベンチマークデータセット上で提案手法の有効性を示すため,いくつかの実験を行った。
関連論文リスト
- Modeling 3D cardiac contraction and relaxation with point cloud
deformation networks [4.65840670565844]
本稿では,3次元心収縮と緩和をモデル化する新しい幾何学的深層学習手法として,ポイントクラウド変形ネットワーク(PCD-Net)を提案する。
英国バイオバンクの調査から,1万件以上の症例の大規模データセットに対するアプローチを評価した。
論文 参考訳(メタデータ) (2023-07-20T14:56:29Z) - 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) - Shape constrained CNN for segmentation guided prediction of myocardial
shape and pose parameters in cardiac MRI [0.6445605125467573]
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。
論文 参考訳(メタデータ) (2022-03-02T13:20:30Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳(メタデータ) (2021-10-17T08:49:33Z) - 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) - 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) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳(メタデータ) (2020-07-10T15:41:29Z) - Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray
Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。
本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文 参考訳(メタデータ) (2020-07-01T20:48:35Z) - 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) - Bending Loss Regularized Network for Nuclei Segmentation in
Histopathology Images [69.74667930907314]
核分割のための曲げ損失正規化ネットワークを提案する。
提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。
曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
論文 参考訳(メタデータ) (2020-02-03T21:20:50Z)
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。