論文の概要: Self-supervised motion descriptor for cardiac phase detection in 4D CMR
based on discrete vector field estimations
- arxiv url: http://arxiv.org/abs/2209.05778v1
- Date: Tue, 13 Sep 2022 07:23:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-14 12:18:49.909284
- Title: Self-supervised motion descriptor for cardiac phase detection in 4D CMR
based on discrete vector field estimations
- Title(参考訳): 離散ベクトル場推定に基づく4次元CMRにおける心臓位相検出のための自己制御型モーションディスクリプタ
- Authors: Sven Koehler and Tarique Hussain and Hamza Hussain and Daniel Young
and Samir Sarikouch and Thomas Pickhardt and Gerald Greil and Sandy
Engelhardt
- Abstract要約: 本研究では, 変形可能なベクトル場を用いて心循環の動的過程を, 導出した1次元モーションディスクリプタの形で効率的に記述する方法を示す。
我々は, マルチディスリーブ, センター, 走査型短軸CMRデータセットにおけるモーションディスクリプタの妥当性を評価する。
- 参考スコア(独自算出の注目度): 1.5755566067326996
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Cardiac magnetic resonance (CMR) sequences visualise the cardiac function
voxel-wise over time. Simultaneously, deep learning-based deformable image
registration is able to estimate discrete vector fields which warp one time
step of a CMR sequence to the following in a self-supervised manner. However,
despite the rich source of information included in these 3D+t vector fields, a
standardised interpretation is challenging and the clinical applications remain
limited so far. In this work, we show how to efficiently use a deformable
vector field to describe the underlying dynamic process of a cardiac cycle in
form of a derived 1D motion descriptor. Additionally, based on the expected
cardiovascular physiological properties of a contracting or relaxing ventricle,
we define a set of rules that enables the identification of five cardiovascular
phases including the end-systole (ES) and end-diastole (ED) without the usage
of labels. We evaluate the plausibility of the motion descriptor on two
challenging multi-disease, -center, -scanner short-axis CMR datasets. First, by
reporting quantitative measures such as the periodic frame difference for the
extracted phases. Second, by comparing qualitatively the general pattern when
we temporally resample and align the motion descriptors of all instances across
both datasets. The average periodic frame difference for the ED, ES key phases
of our approach is $0.80\pm{0.85}$, $0.69\pm{0.79}$ which is slightly better
than the inter-observer variability ($1.07\pm{0.86}$, $0.91\pm{1.6}$) and the
supervised baseline method ($1.18\pm{1.91}$, $1.21\pm{1.78}$). Code and labels
will be made available on our GitHub repository.
https://github.com/Cardio-AI/cmr-phase-detection
- Abstract(参考訳): 心臓磁気共鳴(cmr)配列は、経時的に心臓機能のボクセルを可視化する。
同時に、ディープラーニングに基づく変形可能な画像登録は、cmrシーケンスの1つの時間ステップを後続に自己教師ありで警告する離散ベクトルフィールドを推定することができる。
しかし、これらの3d+tベクトル領域に含まれる豊富な情報ソースにもかかわらず、標準化された解釈は困難であり、今のところ臨床応用は限られている。
本研究では, 変形可能なベクトル場を効率的に利用し, 導出する1次元運動記述子を用いて心周期の動的過程を記述する方法を示す。
また, 収縮性心室の心血管生理的特性を考慮し, ラベルを使用せずに, エンドシストール (ES) およびエンドシストール (ED) を含む5つの心血管相の同定を可能にする一連の規則を定義した。
我々は, マルチディスリーブ, センター, 走査型短軸CMRデータセットにおけるモーションディスクリプタの妥当性を評価する。
まず,抽出した位相の周期的フレーム差などの定量的指標を報告する。
次に、時間的に再サンプリングし、両方のデータセットにまたがるすべてのインスタンスの動作記述子をアライメントする際に、定性的に一般的なパターンを比較する。
EDの平均周期的フレーム差は$0.80\pm{0.85}$,$0.69\pm{0.79}$で、サーバ間変動($1.07\pm{0.86}$,$0.91\pm{1.6}$)と教師付きベースライン法(1.18\pm{1.91}$, $1.21\pm{1.78}$)より若干優れている。
コードとラベルはGitHubリポジトリで公開されます。
https://github.com/Cardio-AI/cmr-phase-detection
関連論文リスト
- Enhancing Electrocardiogram Signal Analysis Using NLP-Inspired Techniques: A Novel Approach with Embedding and Self-Attention [2.7651063843287718]
埋め込みと自己注意に基づく新しい心電図解析手法を提案し,心電図データの空間的および時間的依存性を捉える。
91%の精度でF1スコアが得られた。
論文 参考訳(メタデータ) (2024-07-15T12:20:15Z) - 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) - PulseNet: Deep Learning ECG-signal classification using random
augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。
心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。
犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文 参考訳(メタデータ) (2023-05-17T09:06:39Z) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳(メタデータ) (2022-08-22T22:01:44Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳(メタデータ) (2022-01-31T14:27:35Z) - Echocardiography Segmentation with Enforced Temporal Consistency [10.652677452009627]
本研究では,2次元以上の長軸心形態を学習するための枠組みを提案する。
心臓の不整合の同定と補正は、生理的に解釈可能な心臓形状の埋め込みを学ぶために訓練された拘束されたオートエンコーダに依存している。
論文 参考訳(メタデータ) (2021-12-03T16:09:32Z) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - Unsupervised Domain Adaptation from Axial to Short-Axis Multi-Slice
Cardiac MR Images by Incorporating Pretrained Task Networks [0.6437191714189735]
AX と SAX CMR 画像の間にはかなりの領域シフトがあることが示されている。
タスク関連確率を注意メカニズムとして用いる新しい非監視領域適応手法を提案する。
トレーニング済みのタスクモジュールは、ターゲットドメインからcmrイメージやラベルを見たことがないが、ドメインギャップが減った後にそれらをセグメント化することができる。
論文 参考訳(メタデータ) (2021-01-19T14:39:30Z) - Myocardial Segmentation of Cardiac MRI Sequences with Temporal
Consistency for Coronary Artery Disease Diagnosis [12.53412028532286]
本研究では,左室腔,右室腔,心筋の心臓MRI(CMR)スキャン画像のシークエンスのための心筋セグメンテーションフレームワークを提案する。
我々のフレームワークは、Dice係数の最大2%のセグメンテーション精度を向上させることができる。
論文 参考訳(メタデータ) (2020-12-29T01:54:09Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳(メタデータ) (2020-11-17T16:15:49Z) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳(メタデータ) (2020-10-21T18:11:36Z)
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。