論文の概要: Multi-task Swin Transformer for Motion Artifacts Classification and Cardiac Magnetic Resonance Image Segmentation

• arxiv url: http://arxiv.org/abs/2209.02470v1
• Date: Tue, 6 Sep 2022 13:14:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-07 13:01:35.702573
• Title: Multi-task Swin Transformer for Motion Artifacts Classification and Cardiac Magnetic Resonance Image Segmentation
• Title（参考訳）: 運動アーチファクト分類と心臓磁気共鳴画像分割のためのマルチタスクスイム変換器
• Authors: Michal K. Grzeszczyk, Szymon P{\l}otka, Arkadiusz Sitek
• Abstract要約: CMRxMotionの課題であるCMRセグメンテーションとモーションアーティファクト分類の2つのタスクを同時に解くためのマルチタスク・スイニング・UNEt TRansformerネットワークを提案する。 セグメンテーションと分類の両方をマルチタスク学習アプローチとして利用し、CMRの診断品質を判定し、同時にマスクを生成する。
• 参考スコア（独自算出の注目度）: 0.4419843514606336
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cardiac Magnetic Resonance Imaging is commonly used for the assessment of the cardiac anatomy and function. The delineations of left and right ventricle blood pools and left ventricular myocardium are important for the diagnosis of cardiac diseases. Unfortunately, the movement of a patient during the CMR acquisition procedure may result in motion artifacts appearing in the final image. Such artifacts decrease the diagnostic quality of CMR images and force redoing of the procedure. In this paper, we present a Multi-task Swin UNEt TRansformer network for simultaneous solving of two tasks in the CMRxMotion challenge: CMR segmentation and motion artifacts classification. We utilize both segmentation and classification as a multi-task learning approach which allows us to determine the diagnostic quality of CMR and generate masks at the same time. CMR images are classified into three diagnostic quality classes, whereas, all samples with non-severe motion artifacts are being segmented. Ensemble of five networks trained using 5-Fold Cross-validation achieves segmentation performance of DICE coefficient of 0.871 and classification accuracy of 0.595.
• Abstract（参考訳）: 心臓磁気共鳴イメージングは、心臓解剖学と機能の評価に一般的に用いられる。 心臓疾患の診断には左室と右室の血流プールと左室心筋のデライン化が重要である。 残念なことに、CMR取得過程における患者の移動は、最終画像に現れる運動アーティファクトをもたらす可能性がある。 このようなアーティファクトはcmr画像の診断品質を低下させ、手術を強制的にリセットする。 本稿では,CMRxMotionの課題であるCMRセグメント化と動作アーティファクト分類の2つのタスクを同時に解くためのマルチタスクUNEt TRansformerネットワークを提案する。 セグメンテーションと分類の両方をマルチタスク学習のアプローチとして活用し,cmrの診断品質を判定し,同時にマスクを生成する。 CMR画像は3つの診断品質クラスに分類されるが、非重度モーションアーティファクトを持つ全てのサンプルはセグメンテーションされている。 5-Foldクロスバリデーションを用いてトレーニングした5つのネットワークのアンサンブルは、DICE係数0.871のセグメンテーション性能と0.595の分類精度を達成する。

関連論文リスト

• Whole Heart 3D+T Representation Learning Through Sparse 2D Cardiac MR Images [13.686473040836113]
  本研究では,心臓スタック全体にわたる空間的パッチと時間的パッチの相関関係を自動的に解明する,完全自己教師型学習フレームワークを提案する。 我々は、UK BioBankから14,000のラベルなしCMRデータをトレーニングし、1000の注釈付きデータで評価する。
  論文  参考訳（メタデータ） (2024-06-01T07:08:45Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Detecting respiratory motion artefacts for cardiovascular MRIs to ensure high-quality segmentation [0.9790426916395246]
  心臓血管磁気共鳴画像(CMR)における呼吸運動の重症度を推定するワークフローを提案する。 本手法は, 取得したCMRが, さらなる診断に使用される前に, 特定の品質基準を保持できることを保証する。
  論文  参考訳（メタデータ） (2022-09-20T12:29:05Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• A Comprehensive 3-D Framework for Automatic Quantification of Late Gadolinium Enhanced Cardiac Magnetic Resonance Images [5.947543669357994]
  後期ガドリニウム増強(LGE)心筋磁気共鳴(CMR)は、高強度の非生存性心筋を直接可視化することができる。 心臓発作患者に対しては,LGE CMR画像の解析と定量化により適切な治療の決定を容易にすることが重要である。 正確な定量化を実現するためには、LGE CMR画像は心筋の分画と梗塞の分類の2つのステップで処理する必要がある。
  論文  参考訳（メタデータ） (2022-05-21T11:54:39Z)
• Automatic Segmentation of Left Ventricle in Cardiac Magnetic Resonance Images [0.9576327614980393]
  心臓科医は、心機能を決定するために、しばしば放出分数を用いる。 MR画像における左室の自動区分けのためのマルチスケールテンプレートマッチング手法と楕円形アクティブディスクを提案する。
  論文  参考訳（メタデータ） (2022-01-30T13:05:35Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• Cine Cardiac MRI Motion Artifact Reduction Using a Recurrent Neural Network [18.433956246011466]
  本研究では,運動ブラスト心画像から空間的特徴と時間的特徴を同時に抽出するリカレントニューラルネットワークを提案する。 実験の結果,2つの臨床検査データセットの画質が有意に向上した。
  論文  参考訳（メタデータ） (2020-06-23T01:55:57Z)
• 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)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。