論文の概要: Multitask Learning for Improved Late Mechanical Activation Detection of
Heart from Cine DENSE MRI
- arxiv url: http://arxiv.org/abs/2211.06238v1
- Date: Fri, 11 Nov 2022 14:31:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 16:57:43.001952
- Title: Multitask Learning for Improved Late Mechanical Activation Detection of
Heart from Cine DENSE MRI
- Title（参考訳）: Cine DENSE MRIによる遅発性心活動検出のためのマルチタスク学習
- Authors: Jiarui Xing, Shuo Wang, Kenneth C. Bilchick, Frederick H. Epstein,
Amit R. Patel, Miaomiao Zhang
- Abstract要約: 本稿では,LMA量を同時に推定し,スカーレスLMA領域を分類するマルチタスク深層学習フレームワークを提案する。
新たに導入した補助的LMA領域分類サブネットワークにより, 心筋障害による複雑なパターンに対して, より堅牢性を示した。
- 参考スコア（独自算出の注目度）: 7.369925597471201
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The selection of an optimal pacing site, which is ideally scar-free and late
activated, is critical to the response of cardiac resynchronization therapy
(CRT). Despite the success of current approaches formulating the detection of
such late mechanical activation (LMA) regions as a problem of activation time
regression, their accuracy remains unsatisfactory, particularly in cases where
myocardial scar exists. To address this issue, this paper introduces a
multi-task deep learning framework that simultaneously estimates LMA amount and
classify the scar-free LMA regions based on cine displacement encoding with
stimulated echoes (DENSE) magnetic resonance imaging (MRI). With a newly
introduced auxiliary LMA region classification sub-network, our proposed model
shows more robustness to the complex pattern cause by myocardial scar,
significantly eliminates their negative effects in LMA detection, and in turn
improves the performance of scar classification. To evaluate the effectiveness
of our method, we tests our model on real cardiac MR images and compare the
predicted LMA with the state-of-the-art approaches. It shows that our approach
achieves substantially increased accuracy. In addition, we employ the
gradient-weighted class activation mapping (Grad-CAM) to visualize the feature
maps learned by all methods. Experimental results suggest that our proposed
model better recognizes the LMA region pattern.
- Abstract（参考訳）: 心再同期療法 (CRT) の適応は, 最適ペーシング部位の選択が重要である。
活性化時間回帰の問題として後期機械的活性化 (LMA) 領域の検出を定式化した現在のアプローチは成功したが、その精度は、特に心筋の欠損がある場合において不満足なままである。
この問題に対処するために,DENSE 磁気共鳴画像(MRI)を用いたシーン変位符号化に基づいて,LMA 量を同時に推定し,無傷 LMA 領域を分類するマルチタスク深層学習フレームワークを提案する。
新たに導入した補助的LMA領域分類サブネットワークにより,心筋障害による複雑なパターンに対する堅牢性が向上し,LMA検出における負の効果が著しく低減され,さらに,スカー分類の性能が向上した。
本手法の有効性を評価するため, 実心MR画像を用いて本モデルを検証し, 予測されたLMAと最先端のアプローチとの比較を行った。
その結果,本手法の精度は大幅に向上した。
さらに,グラデーション重み付けクラスアクティベーションマッピング(grad-cam)を使用して,すべてのメソッドで学習した機能マップを視覚化した。
実験結果から,提案モデルはlma領域パターンをよりよく認識できることが示唆された。
関連論文リスト
- Multimodal Learning To Improve Cardiac Late Mechanical Activation
Detection From Cine MR Images [3.9111646862781826]
本稿では,日常的に取得される標準画像に大きく依存する臨床分析の性能向上を目的とした多モードディープラーニングフレームワークを提案する。
本研究では,DENSE(Displacement with Stimulated Echo)から得られた心筋病変の精度と精度を初めて活用し,後期機械的アクティベーション(LMA)検出におけるCMR(cine heartc magnetic resonance)画像の解析をガイドするジョイントラーニングネットワークを開発した。
論文 参考訳（メタデータ） (2024-02-28T17:34:58Z) - Refining Myocardial Infarction Detection: A Novel Multi-Modal Composite Kernel Strategy in One-Class Classification [14.469786240272365]
心筋梗塞(MI)の早期発見は、さらなる損傷を防ぐために不可欠である。
本研究では,心エコー法における一クラス分類法(OCC)を用いた早期MI検出法を提案する。
今回提案したマルチビュー・アプローチは71.24%の幾何学的平均値を達成し,心エコー図に基づくMI診断の大幅な進歩を示唆している。
論文 参考訳（メタデータ） (2024-02-09T16:41:50Z) - Semantic-aware Temporal Channel-wise Attention for Cardiac Function
Assessment [69.02116920364311]
既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。
本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。
提案手法は,0.22 MAE,0.26 RMSE,1.9%$R2$の改善により,スタンフォードデータセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2023-10-09T05:57:01Z) - Ensemble Learning of Myocardial Displacements for Myocardial Infarction
Detection in Echocardiography [15.153823114115307]
心筋梗塞の早期発見と局所化は、心臓損傷の重症度を低下させる可能性がある。
深層学習技術は心エコー画像におけるMI検出の可能性を示唆している。
本研究は,複数のセグメンテーションモデルの特徴を組み合わせ,MI分類性能を向上させるロバストな手法を提案する。
論文 参考訳（メタデータ） (2023-03-12T20:16:14Z) - Explicit Abnormality Extraction for Unsupervised Motion Artifact Reduction in Magnetic Resonance Imaging [41.587861167935785]
運動アーティファクトはMRI(MRI)の品質を損なう
モーションアーティファクトリダクション(MAR)のソリューションとしてディープラーニングアプローチが登場した
これらの手法の欠点の1つは、トレーニング目的のために2組のモーションアーティファクト崩壊(MA崩壊)とモーションアーティファクトフリー(MA無し)MR画像を取得することにある。
この問題を軽減するために,UNAEN(UN Abnormality extract Network)を提案する。
論文 参考訳（メタデータ） (2023-01-04T18:02:59Z) - Joint Deep Learning for Improved Myocardial Scar Detection from Cardiac
MRI [7.906794859364607]
本稿では,同時に学習した心筋のセグメンテーションを活用することで,これらの課題を改善する新しい統合ディープラーニング(JDL)フレームワークを提案する。
提案手法では,心筋セグメンテーションの情報をガイドスカー検出器に直接渡すメッセージパッシングモジュールを提案する。
自動左室シンチグラフィー(LV)におけるJDLのLGE-CMR画像に対する効果を実証し,リスク予測の改善の可能性を示した。
論文 参考訳（メタデータ） (2022-11-11T14:41:35Z) - AWSnet: An Auto-weighted Supervision Attention Network for Myocardial
Scar and Edema Segmentation in Multi-sequence Cardiac Magnetic Resonance
Images [23.212429566838203]
マルチシーケンスCMRデータから傷痕と浮腫のセグメンテーションに取り組むための,新しい自動重み付け監視フレームワークを開発した。
また, より小さな心筋病変領域の分画を, 形状の事前知識で促進する, 粗大から細大の枠組みを設計した。
マルチシーケンスCMRデータを用いた心筋病理診断の進歩に期待できる。
論文 参考訳（メタデータ） (2022-01-14T08:59:54Z) - Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided
Two-Path CNNs [49.32653090178743]
畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。
CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。
深層学習に基づく手法が古典的アプローチより優れていることが実証された。
論文 参考訳（メタデータ） (2020-08-05T08:49:20Z) - 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) - Cardiac Segmentation on Late Gadolinium Enhancement MRI: A Benchmark
Study from Multi-Sequence Cardiac MR Segmentation Challenge [43.01944884184009]
本稿では,MII 2019とともに,Multi-Sequence MR (MS-CMR) チャレンジの選択的結果を示す。
新しいアルゴリズムを開発し、LGE CMRセグメンテーションのための既存のアルゴリズムをベンチマークし、客観的に比較することを目的としていた。
これらの手法の成功は主に、MS-CMR画像からの補助的配列を含むことによる。
論文 参考訳（メタデータ） (2020-06-22T17:04:38Z) - 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)
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。