Fugu-MT 論文翻訳(概要): Joint Deep Learning for Improved Myocardial Scar Detection from Cardiac MRI

論文の概要: Joint Deep Learning for Improved Myocardial Scar Detection from Cardiac MRI

arxiv url: http://arxiv.org/abs/2211.06247v1
Date: Fri, 11 Nov 2022 14:41:35 GMT
ステータス: 処理完了
システム内更新日: 2022-11-14 16:57:17.887053
Title: Joint Deep Learning for Improved Myocardial Scar Detection from Cardiac MRI
Title（参考訳）: 心臓MRIによる心筋スカー検出の改善のための共同深層学習
Authors: Jiarui Xing, Shuo Wang, Kenneth C. Bilchick, Amit R. Patel, Miaomiao Zhang
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.906794859364607
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automated identification of myocardial scar from late gadolinium enhancement cardiac magnetic resonance images (LGE-CMR) is limited by image noise and artifacts such as those related to motion and partial volume effect. This paper presents a novel joint deep learning (JDL) framework that improves such tasks by utilizing simultaneously learned myocardium segmentations to eliminate negative effects from non-region-of-interest areas. In contrast to previous approaches treating scar detection and myocardium segmentation as separate or parallel tasks, our proposed method introduces a message passing module where the information of myocardium segmentation is directly passed to guide scar detectors. This newly designed network will efficiently exploit joint information from the two related tasks and use all available sources of myocardium segmentation to benefit scar identification. We demonstrate the effectiveness of JDL on LGE-CMR images for automated left ventricular (LV) scar detection, with great potential to improve risk prediction in patients with both ischemic and non-ischemic heart disease and to improve response rates to cardiac resynchronization therapy (CRT) for heart failure patients. Experimental results show that our proposed approach outperforms multiple state-of-the-art methods, including commonly used two-step segmentation-classification networks, and multitask learning schemes where subtasks are indirectly interacted.
Abstract（参考訳）: 後期ガドリニウム増強心筋磁気共鳴画像(LGE-CMR)からの心筋傷の自動同定は、運動や部分体積効果など、画像ノイズやアーチファクトによって制限される。本稿では,同時に学習した心筋分画を利用して非興味領域からの悪影響を解消し,その課題を改善する新しい統合型深層学習(jdl)フレームワークを提案する。従来のスカー検出と心筋セグメンテーションを分離・並列タスクとして扱う手法とは対照的に,本手法では,心筋セグメンテーションの情報を直接ガイドスカー検出器に渡すメッセージパッシングモジュールを提案する。このネットワークは2つの関連タスクのジョイント情報を効果的に利用し、心筋セグメンテーションのすべてのソースを使って傷跡の識別に役立てる。虚血性心疾患および非虚血性心疾患患者におけるリスク予測の改善と心不全患者の心再同期療法(crt)に対する反応改善の可能性を示す。実験の結果,提案手法は,2段階セグメンテーション分類ネットワークや,サブタスクが間接的に相互作用するマルチタスク学習スキームなど,最先端手法よりも優れていることがわかった。

関連論文リスト

Deep Learning for Automatic Strain Quantification in Arrhythmogenic Right Ventricular Cardiomyopathy [0.0]
CMRIによる心臓運動の定量化は、不整脈性右室心筋症(ARVC)診断の不可欠な部分である。 Inlicit Neural Representations (INR) とディープラーニングを用いた心臓運動自動評価法を開発した。以上の結果から,スライス間アライメントと超解像ボリュームの生成と,2つの心像の同時解析が相まって,登録性能が向上することが示唆された。
論文参考訳（メタデータ） (2023-11-24T12:55:36Z)
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)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
Multitask Learning for Improved Late Mechanical Activation Detection of Heart from Cine DENSE MRI [7.369925597471201]
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。
論文参考訳（メタデータ） (2022-11-11T14:31:15Z)
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)
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)
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)
Recent Advances in Fibrosis and Scar Segmentation from Cardiac MRI: A State-of-the-Art Review and Future Perspectives [1.8268300764373178]
晩期ガドリニウム増強(LGE)心血管磁気共鳴(CMR)は臨床診断と治療を確実に導くのに有効である。本報告では, 心臓線維症とスカーセグメンテーションの高精度化をめざして, 従来および現在の技術動向を概観する。
論文参考訳（メタデータ） (2021-06-28T11:30:35Z)
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)
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)
A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。技術および生物学的指標を用いた提案アルゴリズムの解析を行った。その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。