論文の概要: Multi-Modality Cardiac Image Computing: A Survey
- arxiv url: http://arxiv.org/abs/2208.12881v1
- Date: Fri, 26 Aug 2022 22:19:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-30 14:35:39.828279
- Title: Multi-Modality Cardiac Image Computing: A Survey
- Title(参考訳): マルチモダリティ心臓画像コンピューティング:調査
- Authors: Lei Li and Wangbin Ding and Liqun Huang and Xiahai Zhuang and Vicente
Grau
- Abstract要約: 多モード心電図は心血管疾患患者の管理において重要な役割を担っている。
多モード心画像の完全自動処理と定量的解析は、臨床研究とエビデンスに基づく患者管理に直接的な影響を与える可能性がある。
- 参考スコア(独自算出の注目度): 18.92646939242613
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Multi-modality cardiac imaging plays a key role in the management of patients
with cardiovascular diseases. It allows a combination of complementary
anatomical, morphological and functional information, increases diagnosis
accuracy, and improves the efficacy of cardiovascular interventions and
clinical outcomes. Fully-automated processing and quantitative analysis of
multi-modality cardiac images could have a direct impact on clinical research
and evidence-based patient management. However, these require overcoming
significant challenges including inter-modality misalignment and finding
optimal methods to integrate information from different modalities.
This paper aims to provide a comprehensive review of multi-modality imaging
in cardiology, the computing methods, the validation strategies, the related
clinical workflows and future perspectives. For the computing methodologies, we
have a favored focus on the three tasks, i.e., registration, fusion and
segmentation, which generally involve multi-modality imaging data,
\textit{either combining information from different modalities or transferring
information across modalities}. The review highlights that multi-modality
cardiac imaging data has the potential of wide applicability in the clinic,
such as trans-aortic valve implantation guidance, myocardial viability
assessment, and catheter ablation therapy and its patient selection.
Nevertheless, many challenges remain unsolved, such as missing modality,
combination of imaging and non-imaging data, and uniform analysis and
representation of different modalities. There is also work to do in defining
how the well-developed techniques fit in clinical workflows and how much
additional and relevant information they introduce. These problems are likely
to continue to be an active field of research and the questions to be answered
in the future.
- Abstract(参考訳): 多モード心電図は心血管疾患患者の管理において重要な役割を担っている。
相補的な解剖学的、形態学的、機能的な情報の組み合わせを可能にし、診断精度を高め、心血管的介入の有効性と臨床結果を改善する。
マルチモダリティ心筋画像の完全自動処理と定量的解析は、臨床研究やエビデンスに基づく患者の管理に直接影響を与える可能性がある。
しかし、モダリティ間の不一致や、異なるモダリティからの情報を統合するための最適な方法を見つけるなど、重要な課題を克服する必要がある。
本稿では,心臓科におけるマルチモダリティ画像の総合的レビュー,計算方法,バリデーション戦略,関連する臨床ワークフロー,今後の展望について述べる。
コンピュータの方法論では,多モード画像データ,\textit{eier という3つのタスク,すなわち登録,融合,セグメンテーションに重点を置いている。
総説では,多変量心画像データは経大動脈弁移植指導,心筋活力評価,カテーテルアブレーション療法,患者の選択など,クリニックに広く応用できる可能性が示唆されている。
それでも、モダリティの欠如、画像と非画像データの組み合わせ、異なるモダリティの均一な分析と表現など、多くの課題は未解決のままである。
十分に開発されたテクニックが臨床ワークフローにどのように適合するか、どの程度追加され関連する情報を導入するかを定義する作業もある。
これらの問題は今後も研究の活発な分野であり続け、今後の課題にも答えられるだろう。
関連論文リスト
- Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳(メタデータ) (2024-02-16T05:16:20Z) - A New Multimodal Medical Image Fusion based on Laplacian Autoencoder
with Channel Attention [3.1531360678320897]
ディープラーニングモデルは、非常に堅牢で正確なパフォーマンスでエンドツーエンドの画像融合を実現した。
ほとんどのDLベースの融合モデルは、学習可能なパラメータや計算量を最小限に抑えるために、入力画像上でダウンサンプリングを行う。
本稿では,ラープラシア・ガウス統合とアテンションプールを融合したマルチモーダル医用画像融合モデルを提案する。
論文 参考訳(メタデータ) (2023-10-18T11:29:53Z) - An objective validation of polyp and instrument segmentation methods in
colonoscopy through Medico 2020 polyp segmentation and MedAI 2021
transparency challenges [58.402720481042365]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳(メタデータ) (2023-07-30T16:08:45Z) - Modality-Agnostic Learning for Medical Image Segmentation Using
Multi-modality Self-distillation [1.815047691981538]
マルチモーダル・セルフディスト・イレレーション(MAG-MS)によるモダリティ非依存学習という新しい枠組みを提案する。
MAG-MSは複数のモダリティの融合から知識を蒸留し、個々のモダリティに対する表現学習を強化する。
ベンチマークデータセットを用いた実験により,MAG-MSの高効率化とセグメンテーション性能の向上が示された。
論文 参考訳(メタデータ) (2023-06-06T14:48:50Z) - A Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳(メタデータ) (2023-06-01T16:23:47Z) - Improved Multimodal Fusion for Small Datasets with Auxiliary Supervision [3.8750633583374143]
小型データセットによるマルチモーダル融合を改善するための3つの簡単な方法を提案する。
提案手法は実装が簡単で,画像と非画像のデータを用いた任意の分類タスクに適用可能である。
論文 参考訳(メタデータ) (2023-04-01T20:07:10Z) - Uncertainty-Aware Multi-Parametric Magnetic Resonance Image Information
Fusion for 3D Object Segmentation [12.361668672097753]
拡張された3次元画像セグメンテーションのための情報を完全に活用するために,不確実性を考慮したマルチパラメトリックMR画像特徴融合法を提案する。
提案手法は,既存モデルと比較してセグメンテーション性能が向上する。
論文 参考訳(メタデータ) (2022-11-16T09:16:52Z) - Deep Multi-modal Fusion of Image and Non-image Data in Disease Diagnosis
and Prognosis: A Review [8.014632186417423]
医療における診断技術の急速な発展は、医師が日常的に発生する異質で相補的なデータを扱い、統合することの要求が高まっている。
近年のマルチモーダルディープラーニング技術の発展に伴い、我々はどのようにして多モーダル情報を抽出して集約し、究極的にはより客観的で定量的なコンピュータ支援の臨床的意思決定を提供するかという重要な疑問に、ますます多くの努力が注がれている。
本総説では,(1)現在のマルチモーダル・ラーニングの概要,(2)マルチモーダル・フュージョン法の要約,(3)パフォーマンスの議論,(4)疾患診断と予後の応用,(5)課題と将来について概説する。
論文 参考訳(メタデータ) (2022-03-25T18:50:03Z) - Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。
これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。
テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-20T20:05:35Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳(メタデータ) (2020-03-23T14:35:08Z) - Robust Multimodal Brain Tumor Segmentation via Feature Disentanglement
and Gated Fusion [71.87627318863612]
画像モダリティの欠如に頑健な新しいマルチモーダルセグメンテーションフレームワークを提案する。
我々のネットワークは、入力モードをモダリティ固有の外観コードに分解するために、特徴不整合を用いる。
我々は,BRATSチャレンジデータセットを用いて,重要なマルチモーダル脳腫瘍セグメンテーション課題に対する本手法の有効性を検証した。
論文 参考訳(メタデータ) (2020-02-22T14:32:04Z)
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。