論文の概要: Learning correspondences of cardiac motion from images using
biomechanics-informed modeling
- arxiv url: http://arxiv.org/abs/2209.00726v1
- Date: Thu, 1 Sep 2022 20:59:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-05 12:50:22.772814
- Title: Learning correspondences of cardiac motion from images using
biomechanics-informed modeling
- Title(参考訳): バイオメカニクスインフォームドモデリングによる画像からの心臓運動の学習対応
- Authors: Xiaoran Zhang, Chenyu You, Shawn Ahn, Juntang Zhuang, Lawrence Staib,
James Duncan
- Abstract要約: 予測変位ベクトル場(DVF)上での正則化として, バイオメカニクスを前もって明示的に表現する手法を提案する。
提案手法は,視覚的評価による生体力学的特性の保存性を向上し,定量的評価指標を用いたセグメンテーション性能の優位性を示す。
- 参考スコア(独自算出の注目度): 7.193217430660012
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning spatial-temporal correspondences in cardiac motion from images is
important for understanding the underlying dynamics of cardiac anatomical
structures. Many methods explicitly impose smoothness constraints such as the
$\mathcal{L}_2$ norm on the displacement vector field (DVF), while usually
ignoring biomechanical feasibility in the transformation. Other geometric
constraints either regularize specific regions of interest such as imposing
incompressibility on the myocardium or introduce additional steps such as
training a separate network-based regularizer on physically simulated datasets.
In this work, we propose an explicit biomechanics-informed prior as
regularization on the predicted DVF in modeling a more generic biomechanically
plausible transformation within all cardiac structures without introducing
additional training complexity. We validate our methods on two publicly
available datasets in the context of 2D MRI data and perform extensive
experiments to illustrate the effectiveness and robustness of our proposed
methods compared to other competing regularization schemes. Our proposed
methods better preserve biomechanical properties by visual assessment and show
advantages in segmentation performance using quantitative evaluation metrics.
The code is publicly available at
\url{https://github.com/Voldemort108X/bioinformed_reg}.
- Abstract(参考訳): 画像から心臓運動の時空間対応を学習することは、心臓解剖学的構造の基礎となる力学を理解する上で重要である。
多くの手法は、変位ベクトル場(DVF)上の$\mathcal{L}_2$ノルムのような滑らかな制約を明示的に課すが、通常は変換における生体力学的実現可能性を無視している。
他の幾何学的制約は、心筋に非圧縮性を付与するなどの特定の関心領域の規則化や、物理的にシミュレートされたデータセット上で別々のネットワークベースの正規化器をトレーニングするなどの追加ステップの導入である。
そこで本研究では, 予測値dvfの正則化に先立って, より汎用的な生体力学的に有理な心構造変換をモデル化する手法を提案する。
提案手法の有効性とロバスト性を他の競合する正規化手法と比較し,2次元MRIデータを用いて2つの公開データセット上で検証し,提案手法の有効性とロバスト性を示す。
提案手法は, 生体力学的特性を視覚的評価により保存し, 定量的評価指標を用いたセグメンテーション性能の利点を示す。
コードは \url{https://github.com/Voldemort108X/bioinformed_reg} で公開されている。
関連論文リスト
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Simulation-based Inference for Cardiovascular Models [57.92535897767929]
シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。
臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。
我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
論文 参考訳(メタデータ) (2023-07-26T02:34:57Z) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳(メタデータ) (2023-04-15T09:39:52Z) - Automated Coronary Arteries Labeling Via Geometric Deep Learning [13.515293812745343]
血管造影検査から得られた3次元座標データによく適合する直感的なグラフ表現法を提案する。
その後、幾何学的深層学習を用いて対象別グラフの分析を試みる。
提案モデルでは,141例の専門的アノテートラベルを用いて,各冠動脈セグメントの表現を学習し,訓練データにおける解剖学的変動の影響を捉えた。
論文 参考訳(メタデータ) (2022-12-01T09:31:08Z) - A kinetic approach to consensus-based segmentation of biomedical images [58.720142291102135]
バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。
システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。
2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
論文 参考訳(メタデータ) (2022-11-08T09:54:34Z) - A Generative Shape Compositional Framework to Synthesise Populations of
Virtual Chimaeras [52.33206865588584]
複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。
心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。
提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
論文 参考訳(メタデータ) (2022-10-04T13:36:52Z) - Deep Statistic Shape Model for Myocardium Segmentation [10.381467202920303]
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。
論文 参考訳(メタデータ) (2022-07-21T17:01:24Z) - Generative Myocardial Motion Tracking via Latent Space Exploration with
Biomechanics-informed Prior [16.129107206314043]
心筋運動と変形は、心臓機能を特徴づける豊富な記述子である。
画像登録は、心筋運動追跡において最も一般的に用いられる手法であり、不適切な逆問題である。
本稿では,アプリケーション固有のバイオメカニクスを前もって暗黙的に学習する手法を提案する。
論文 参考訳(メタデータ) (2022-06-08T12:02:00Z) - PhysFormer: Facial Video-based Physiological Measurement with Temporal
Difference Transformer [55.936527926778695]
近年のディープラーニングアプローチは、時間的受容の限られた畳み込みニューラルネットワークを用いた微妙なrの手がかりのマイニングに重点を置いている。
本稿では,エンドツーエンドのビデオトランスをベースとしたアーキテクチャであるPhysFormerを提案する。
論文 参考訳(メタデータ) (2021-11-23T18:57:11Z) - Multi-Structure Deep Segmentation with Shape Priors and Latent
Adversarial Regularization [0.5249805590164902]
MR画像における多構造骨変形の深層学習に基づく正規化セグメンテーション法を提案する。
新たに考案した形状コード判別器に基づき,本手法は深層ネットワークに解剖学の学習可能な形状表現に従うよう強制する。
本研究は足関節および肩関節からの2つの小児筋骨格イメージングデータセットにおける術中正規化法と比較した。
論文 参考訳(メタデータ) (2021-01-25T15:43:40Z) - Biomechanics-informed Neural Networks for Myocardial Motion Tracking in
MRI [15.686391154738006]
本稿では,バイオメカニクスによる正規化を暗黙的に学習する手法を提案する。
心臓MRIデータの2次元スタック上での心筋運動追跡の文脈において,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2020-06-08T16:29:13Z)
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。