論文の概要: Mesh-based 3D Motion Tracking in Cardiac MRI using Deep Learning
- arxiv url: http://arxiv.org/abs/2209.02004v1
- Date: Mon, 5 Sep 2022 15:10:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 13:20:15.986660
- Title: Mesh-based 3D Motion Tracking in Cardiac MRI using Deep Learning
- Title(参考訳): 深層学習を用いた心臓MRIにおけるメッシュベース3次元運動追跡
- Authors: Qingjie Meng and Wenjia Bai and Tianrui Liu and Declan P O'Regan and
Daniel Rueckert
- Abstract要約: 心臓機能評価と心血管疾患の診断には, 心臓磁気共鳴(CMR)画像からの3次元運動推定が重要である。
従来の手法のほとんどは、フルイメージ空間における画素/ボクセルの運動場の推定に重点を置いていた。
本研究では、心臓を3次元幾何メッシュとしてモデル化し、2次元短軸CMR画像から心臓メッシュの3次元運動を推定できる新しいディープラーニングベースの手法を提案する。
- 参考スコア(独自算出の注目度): 11.177851736773823
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 3D motion estimation from cine cardiac magnetic resonance (CMR) images is
important for the assessment of cardiac function and diagnosis of
cardiovascular diseases. Most of the previous methods focus on estimating
pixel-/voxel-wise motion fields in the full image space, which ignore the fact
that motion estimation is mainly relevant and useful within the object of
interest, e.g., the heart. In this work, we model the heart as a 3D geometric
mesh and propose a novel deep learning-based method that can estimate 3D motion
of the heart mesh from 2D short- and long-axis CMR images. By developing a
differentiable mesh-to-image rasterizer, the method is able to leverage the
anatomical shape information from 2D multi-view CMR images for 3D motion
estimation. The differentiability of the rasterizer enables us to train the
method end-to-end. One advantage of the proposed method is that by tracking the
motion of each vertex, it is able to keep the vertex correspondence of 3D
meshes between time frames, which is important for quantitative assessment of
the cardiac function on the mesh. We evaluate the proposed method on CMR images
acquired from the UK Biobank study. Experimental results show that the proposed
method quantitatively and qualitatively outperforms both conventional and
learning-based cardiac motion tracking methods.
- Abstract(参考訳): 心臓機能評価と心血管疾患の診断には, 心臓磁気共鳴(CMR)画像からの3次元運動推定が重要である。
従来の手法のほとんどは全画像空間における画素/ボクセル方向の運動場の推定に焦点をあてており、運動推定が主に関心対象(例えば心臓)において有益であるという事実を無視している。
本研究では、心臓を3次元幾何メッシュとしてモデル化し、2次元短軸CMR画像から心臓メッシュの3次元運動を推定できる新しいディープラーニングベースの手法を提案する。
メッシュ・ツー・イメージ・ラスタライザの開発により、2次元多視点CMR画像の解剖学的形状情報を利用して3次元運動推定を行うことができる。
rasterizerの差別化性によって、エンドツーエンドでメソッドをトレーニングすることができます。
提案手法の利点の1つは、各頂点の動きを追跡することにより、時間枠間の3次元メッシュの頂点対応を維持できることであり、メッシュ上の心臓機能の定量的評価に重要である。
英国バイオバンク研究から得られたCMR画像に対する提案手法の評価を行った。
実験結果から,提案手法は従来法と学習法の両方で定量的に,定性的に優れていた。
関連論文リスト
- MinD-3D: Reconstruct High-quality 3D objects in Human Brain [53.546633606914455]
Recon3DMindは、fMRI(Functional Magnetic Resonance Imaging)信号から3D視覚を再構築することに焦点を当てた画期的なタスクである。
総合的なfMRI信号キャプチャのための3Dオブジェクトの360度映像を利用したfMRI-Shapeデータセットを提案する。
また,fMRI信号から脳の3次元視覚情報をデコードし,再構成する新しい3段階フレームワークMinD-3Dを提案する。
論文 参考訳(メタデータ) (2023-12-12T18:21:36Z) - DeepMesh: Mesh-based Cardiac Motion Tracking using Deep Learning [13.289561121562057]
心臓機能評価と心血管疾患の診断には,CMR画像からの3次元運動推定が重要である。
本研究では,心内膜および心内膜からなる3次元メッシュとして心臓をモデル化する。
本稿では,テンプレート型心臓メッシュを対象空間に伝播させる新しい学習フレームワークDeepMeshを提案し,各被験者のCMR画像から心臓メッシュの3次元運動を推定する。
論文 参考訳(メタデータ) (2023-09-25T17:24:18Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳(メタデータ) (2023-05-27T03:55:19Z) - MulViMotion: Shape-aware 3D Myocardial Motion Tracking from Multi-View
Cardiac MRI [11.685829837689404]
心臓の連続した3次元運動場を学習するためのマルチビューモーション推定ネットワーク(MulViMotion)を提案する。
左室心筋の3次元運動追跡のための英国バイオバンク研究の580名の被験者から得られた2D cine CMR画像に対する提案手法を広範に評価した。
論文 参考訳(メタデータ) (2022-07-29T18:29:52Z) - DeepRecon: Joint 2D Cardiac Segmentation and 3D Volume Reconstruction
via A Structure-Specific Generative Method [12.26150675728958]
本稿では,複数の臨床的に不可欠な結果を生成する,エンドツーエンドの潜在空間ベースのフレームワークであるDeepReconを提案する。
本手法は,心構造に対する正確な意味情報を含むシネ画像の最適潜時表現を同定する。
特に,本モデルでは,正確な意味情報と心構造のセグメンテーションを併用して合成画像を生成する。
論文 参考訳(メタデータ) (2022-06-14T20:46:11Z) - Unsupervised Landmark Detection Based Spatiotemporal Motion Estimation
for 4D Dynamic Medical Images [16.759486905827433]
2段階からなるDense-Sparse-Dense (DSD) の新たな動き推定フレームワークを提案する。
第1段階では, 対象臓器解剖学的トポロジーを表すために, 粗いランドマークを抽出するために, 生の高密度画像を処理する。
第2段階では、異なる時間点の2つの画像の抽出されたスパースランドマークからスパース運動変位を導出する。
論文 参考訳(メタデータ) (2021-09-30T02:06:02Z) - DeepTag: An Unsupervised Deep Learning Method for Motion Tracking on
Cardiac Tagging Magnetic Resonance Images [10.434681088538866]
本研究では,t-MRI画像のin vivoモーショントラッキングのための深層学習に基づく完全監視手法を提案する。
本手法は代表的な臨床T-MRIデータセットで検証された。
論文 参考訳(メタデータ) (2021-03-04T00:42:11Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳(メタデータ) (2020-12-16T07:11:16Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳(メタデータ) (2020-06-28T21:03:19Z) - A Deep Learning Approach for Motion Forecasting Using 4D OCT Data [69.62333053044712]
我々は,OCTボリュームのストリームを用いたエンド・ツー・エンド動作予測と推定のための4次元時間深度学習を提案する。
提案手法は,全体の平均相関97.41%の動作予測を実現するとともに,従来の3D手法と比較して2.5倍の動作推定性能を向上する。
論文 参考訳(メタデータ) (2020-04-21T15:59:53Z) - Spatio-Temporal Deep Learning Methods for Motion Estimation Using 4D OCT
Image Data [63.73263986460191]
特定の対象領域の局所化と運動の推定は、外科的介入の際のナビゲーションの一般的な問題である。
OCT画像ボリュームの時間的ストリームを用いることで、深層学習に基づく動き推定性能が向上するかどうかを検討する。
モデル入力に4D情報を使用すると、合理的な推論時間を維持しながら性能が向上する。
論文 参考訳(メタデータ) (2020-04-21T15:43:01Z)
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。