論文の概要: Detecting respiratory motion artefacts for cardiovascular MRIs to ensure
high-quality segmentation
- arxiv url: http://arxiv.org/abs/2209.09678v1
- Date: Tue, 20 Sep 2022 12:29:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 19:20:29.527811
- Title: Detecting respiratory motion artefacts for cardiovascular MRIs to ensure
high-quality segmentation
- Title(参考訳): 高品質セグメンテーションのための心血管系MRIの呼吸運動アーチファクトの検出
- Authors: Amin Ranem, John Kalkhof, Caner \"Ozer, Anirban Mukhopadhyay, Ilkay
Oksuz
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.9790426916395246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While machine learning approaches perform well on their training domain, they
generally tend to fail in a real-world application. In cardiovascular magnetic
resonance imaging (CMR), respiratory motion represents a major challenge in
terms of acquisition quality and therefore subsequent analysis and final
diagnosis. We present a workflow which predicts a severity score for
respiratory motion in CMR for the CMRxMotion challenge 2022. This is an
important tool for technicians to immediately provide feedback on the CMR
quality during acquisition, as poor-quality images can directly be re-acquired
while the patient is still available in the vicinity. Thus, our method ensures
that the acquired CMR holds up to a specific quality standard before it is used
for further diagnosis. Therefore, it enables an efficient base for proper
diagnosis without having time and cost-intensive re-acquisitions in cases of
severe motion artefacts. Combined with our segmentation model, this can help
cardiologists and technicians in their daily routine by providing a complete
pipeline to guarantee proper quality assessment and genuine segmentations for
cardiovascular scans. The code base is available at
https://github.com/MECLabTUDA/QA_med_data/tree/dev_QA_CMRxMotion.
- Abstract(参考訳): 機械学習アプローチはトレーニング領域でうまく機能するが、現実のアプリケーションでは一般的に失敗する傾向がある。
心血管性磁気共鳴画像(CMR)では, 呼吸運動は, 取得品質やその後の解析, 最終診断において大きな課題である。
CMRxMotion Challenge 2022において,CMRにおける呼吸運動の重症度スコアを予測するワークフローを提案する。
これは、患者がいまだ近くにいる間、品質の悪い画像を直接取得できるため、技術者が取得中にCMRの品質に関するフィードバックを直ちに提供するための重要なツールである。
そこで本手法は,得られた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。
このため、重度な運動アーチファクトの場合に、時間とコストのかかる再取得を伴わずに、適切な診断のための効率的なベースを提供することができる。
私たちのセグメンテーションモデルと組み合わせることで、心臓科医や技術者が毎日のルーチンで、適切な品質評価と心血管スキャンの真のセグメンテーションを保証する完全なパイプラインを提供することができます。
コードベースはhttps://github.com/MECLabTUDA/QA_med_data/tree/dev_QA_CMRxMotionで公開されている。
関連論文リスト
- 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) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳(メタデータ) (2023-09-19T15:14:42Z) - Motion-related Artefact Classification Using Patch-based Ensemble and
Transfer Learning in Cardiac MRI [5.186000805926489]
本稿では,アンサンブルとトランスファーラーニングを用いた自動心臓MRI品質推定フレームワークを提案する。
トレーニングデータからサンプルした2次元画像パッチに,複数の事前学習モデルを初期化し,微調整した。
トレーニングセットと検証セットでそれぞれ78.8%と70.0%の分類精度を達成した。
論文 参考訳(メタデータ) (2022-10-14T11:31:40Z) - Multi-task Swin Transformer for Motion Artifacts Classification and
Cardiac Magnetic Resonance Image Segmentation [0.4419843514606336]
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。
論文 参考訳(メタデータ) (2022-09-06T13:14:44Z) - 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) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - A Deep Learning-based Integrated Framework for Quality-aware
Undersampled Cine Cardiac MRI Reconstruction and Analysis [4.780348242743022]
我々は, アンダーサンプルシネCMRデータの再構成, セグメンテーション, 下流解析のための品質制御統合フレームワークを提案する。
このフレームワークは、取得したデータが十分であれば、高品質な再構成やセグメンテーションを生成するのに十分なときに、取得を停止することができるラジアルk空間データのアクティブな取得を可能にする。
論文 参考訳(メタデータ) (2022-05-02T18:02:22Z) - 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) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - Quality-aware Cine Cardiac MRI Reconstruction and Analysis from
Undersampled k-space Data [7.022090490184671]
本稿では、画像取得と再構成を下流タスクと組み合わせた、エンドツーエンド品質を意識した近軸短軸MRIフレームワークを提案する。
このフレームワークは、2D+t心筋MRI画像のアンダーサンプルデータからの再構成のためのディープラーニングモデルで構成されている。
以上の結果より,スライス12秒から4秒のスキャン時間で品質制御画像が作成でき,心機能パラメータの信頼性の高い推定が可能であることが示唆された。
論文 参考訳(メタデータ) (2021-09-16T13:08:54Z) - Left Ventricular Wall Motion Estimation by Active Polynomials for Acute
Myocardial Infarction Detection [18.93271742586598]
本稿では, 左室壁の大域的運動を, 頑健かつ正確な方法で正確に推定できる新しい手法であるActive Polynomialsを提案する。
提案アルゴリズムは,急性MIの早期診断を支援するために,LV壁セグメントに発生する真の壁運動を定量化する。
論文 参考訳(メタデータ) (2020-08-11T10:29:22Z)
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。