論文の概要: Multi-Depth Boundary-Aware Left Atrial Scar Segmentation Network
- arxiv url: http://arxiv.org/abs/2208.04940v1
- Date: Mon, 8 Aug 2022 03:32:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-11 12:42:14.703212
- Title: Multi-Depth Boundary-Aware Left Atrial Scar Segmentation Network
- Title（参考訳）: マルチディフ境界認識左心房スカーセグメンテーションネットワーク
- Authors: Mengjun Wu, Wangbin Ding, Mingjin Yang, Liqin Huang
- Abstract要約: 本稿では,LA と LA のフラグをセグメント化するための境界認識型 LA フラグセグメンテーションネットワークを提案する。
このネットワークは、LAスカーセグメンテーションの平均Diceスコア0.608を達成した。
- 参考スコア（独自算出の注目度）: 1.433758865948252
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automatic segmentation of left atrial (LA) scars from late gadolinium
enhanced CMR images is a crucial step for atrial fibrillation (AF) recurrence
analysis. However, delineating LA scars is tedious and error-prone due to the
variation of scar shapes. In this work, we propose a boundary-aware LA scar
segmentation network, which is composed of two branches to segment LA and LA
scars, respectively. We explore the inherent spatial relationship between LA
and LA scars. By introducing a Sobel fusion module between the two segmentation
branches, the spatial information of LA boundaries can be propagated from the
LA branch to the scar branch. Thus, LA scar segmentation can be performed
condition on the LA boundaries regions. In our experiments, 40 labeled images
were used to train the proposed network, and the remaining 20 labeled images
were used for evaluation. The network achieved an average Dice score of 0.608
for LA scar segmentation.
- Abstract（参考訳）: 後期gadolinium造影cmr画像からの左心房(la)痕の自動分割は心房細動(af)再発解析の重要なステップである。
しかし, LAの傷跡は, 傷痕形状のばらつきにより, 退屈でエラーを起こしやすい。
本研究では, LA と LA のフラグを分割する2つの枝からなる境界認識型 LA フラグセグメンテーションネットワークを提案する。
LAとLAの傷跡の空間的関係について検討する。
2つのセグメンテーションブランチ間にソベル融合モジュールを導入することにより、LA分岐からスカーブランチへLA境界の空間情報を伝播させることができる。
これにより、LA境界領域でLAスカーセグメンテーションを行うことができる。
実験では,提案ネットワークを訓練するために40枚のラベル画像を使用し,残りの20枚のラベル画像を用いて評価を行った。
このネットワークはラ・スカーセグメンテーションの平均diceスコア0.608を達成した。
関連論文リスト
- Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - Automatically Segment the Left Atrium and Scars from LGE-MRIs Using a
Boundary-focused nnU-Net [8.27752923297381]
我々は、LA空洞を自動的に分割し、後期ガドリニウム強調磁気共鳴イメージング(LGE-MRI)によるLA傷の定量化を提案する。
具体的には、LA境界画素の焦点をトレーニング中に達成し、より正確な境界予測を提供する。
LAScarQS 2022データセットの実験では、LA空洞とLA傷痕のセグメンテーションにおいて、我々のモデルの優れた性能が示された。
論文 参考訳（メタデータ） (2023-04-27T10:05:37Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - AtrialGeneral: Domain Generalization for Left Atrial Segmentation of
Multi-Center LGE MRIs [18.22326892162902]
左心房細動 (LA) は, 心房細動の治療計画において重要なステップである。
深層学習に基づく手法は、有望なLAセグメンテーション結果を提供することができるが、しばしば目に見えない領域に一般化する。
マルチセンターLGE MRIのLAセグメント化には4つの一般的なセマンティックセマンティックセマンティクスネットワークを用いる。
論文 参考訳（メタデータ） (2021-06-16T11:58:11Z) - Global Guidance Network for Breast Lesion Segmentation in Ultrasound
Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。
当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文 参考訳（メタデータ） (2021-04-05T13:15:22Z) - AtrialJSQnet: A New Framework for Joint Segmentation and Quantification
of Left Atrium and Scars Incorporating Spatial and Shape Information [22.162571400010467]
臨床では左心房(LA)と後期ガドリニウム造影MRI(LGE MRI)の心房粗動が重要な課題である。
従来の手法は通常2つの課題を独立に解決し、LAと傷跡の固有の空間的関係を無視した。
AtrialJSQnetと呼ばれる新しいフレームワークを開発し、LAセグメンテーション、LA表面へのスカープロジェクション、およびスカーの定量化をエンドツーエンド形式で同時に行う。
論文 参考訳（メタデータ） (2020-08-11T14:44:19Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳（メタデータ） (2020-08-05T08:49:20Z) - Joint Left Atrial Segmentation and Scar Quantification Based on a DNN
with Spatial Encoding and Shape Attention [21.310508988246937]
本稿では,左心房(LA)空洞を同時に分割し,LAの傷跡を定量化するエンド・ツー・エンドディープ・ニューラル・ネットワーク(DNN)を提案する。
提案フレームワークは,空間符号化(SE)ロスを導入することで,目標の連続的な空間情報を組み込む。
LAセグメンテーションでは、3D基本U-Netと比較して平均ハウスドルフ距離を36.4mmから20.0mmに減らした。
論文 参考訳（メタデータ） (2020-06-23T13:55:29Z) - Simultaneous Left Atrium Anatomy and Scar Segmentations via Deep
Learning in Multiview Information with Attention [14.252180320919551]
心房細動(AF)患者における左心房粗動の3次元遅発性心MR(LGE)強調法(CMR)は,近年,患者を成層化するための有望な手法として注目されている。
これは、高強度の傷痕組織の分節と左房解剖(LA)の分節を必要とする。
マルチビュー2タスク(MVTT)に基づく共同セグメンテーション手法を提案する。
3D LGE CMR画像を直接作業することで、LAを分割し、傷跡をデライン化することができる。
論文 参考訳（メタデータ） (2020-02-02T18:03:44Z)
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。