論文の概要: Bayesian Optimization of 2D Echocardiography Segmentation

• arxiv url: http://arxiv.org/abs/2211.09888v1
• Date: Thu, 17 Nov 2022 20:52:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 15:53:29.616666
• Title: Bayesian Optimization of 2D Echocardiography Segmentation
• Title（参考訳）: 2次元心エコーセグメンテーションのベイズ最適化
• Authors: Son-Tung Tran, Joshua V. Stough, Xiaoyan Zhang, Christopher M. Haggerty
• Abstract要約: BOを用いて、深層畳み込みニューラルネットワークモデルのアーキテクチャおよびトレーニング関連ハイパーパラメータを最適化する。 左室心内膜(LV)、左心内膜(LV)、左心房に0.95、0.96、0.93の重なりがある。 また,LV終末容積の中央値絶対誤差を小さくするなど,導出性臨床指標の大幅な改善も観察した。
• 参考スコア（独自算出の注目度）: 2.6947715121689204
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian Optimization (BO) is a well-studied hyperparameter tuning technique that is more efficient than grid search for high-cost, high-parameter machine learning problems. Echocardiography is a ubiquitous modality for evaluating heart structure and function in cardiology. In this work, we use BO to optimize the architectural and training-related hyperparameters of a previously published deep fully convolutional neural network model for multi-structure segmentation in echocardiography. In a fair comparison, the resulting model outperforms this recent state-of-the-art on the annotated CAMUS dataset in both apical two- and four-chamber echo views. We report mean Dice overlaps of 0.95, 0.96, and 0.93 on left ventricular (LV) endocardium, LV epicardium, and left atrium respectively. We also observe significant improvement in derived clinical indices, including smaller median absolute errors for LV end-diastolic volume (4.9mL vs. 6.7), end-systolic volume (3.1mL vs. 5.2), and ejection fraction (2.6% vs. 3.7); and much tighter limits of agreement, which were already within inter-rater variability for non-contrast echo. These results demonstrate the benefits of BO for echocardiography segmentation over a recent state-of-the-art framework, although validation using large-scale independent clinical data is required.
• Abstract（参考訳）: Bayesian Optimization (BO)は、高コストで高パラメータな機械学習問題のグリッド探索よりも効率的である、よく研究されたハイパーパラメータチューニング技術である。 心エコー図は心電図の心臓構造と機能を評価するためのユビキタスモードである。 本研究では,心エコー図における多構造セグメンテーションのための深層畳み込みニューラルネットワークモデルのアーキテクチャおよびトレーニング関連ハイパーパラメータをBOを用いて最適化する。 比較すると、結果として得られたモデルは、apical two-および4-chamber echoビューの両方で、アノテーション付きcamusデータセットの最近の最先端を上回っている。 左心室(LV)心内膜,左心室,左心房のDiceオーバーラップは0.95,0.96,0.93であった。 また, lvエンドダイアストリックボリューム (4.9ml vs. 6.7), エンドシストリックボリューム (3.1ml vs. 5.2) および射出率 (2.6% vs. 3.7) に対する中央値の絶対誤差を小さくし, 既に非コントラストエコーのレート間変動範囲内にある一致限界をかなり厳しくした。 これらの結果から,心臓エコー検査におけるboの有用性が示されるが,大規模独立臨床データを用いた検証が必要である。

関連論文リスト

• An Improved Approach for Cardiac MRI Segmentation based on 3D UNet Combined with Papillary Muscle Exclusion [0.0]
  異なるフェーズにおいて、心臓構造を正確にセグメンテーションするための堅牢なアルゴリズムを開発することが重要である。 本研究では,乳頭筋を除いた心筋とLVのセグメンテーションに改良された3次元UNetモデルを導入する。 提案フレームワークの実用試験では, 合計8,400枚の心MRI画像を収集し, 解析した。
  論文  参考訳（メタデータ） (2024-10-09T12:19:58Z)
• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• 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)
• 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)
• Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
  この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。 そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。 拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
  論文  参考訳（メタデータ） (2022-05-05T10:31:57Z)
• Segmentation of Cardiac Structures via Successive Subspace Learning with Saab Transform from Cine MRI [29.894633364282555]
  本研究では,適応バイアス(Saab)変換を用いた部分空間近似を用いた連続部分空間学習による機械学習モデルを提案する。 左心室,右心室,心筋のパラメータが200ドル以上で,最先端のU-Netモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-22T14:50:48Z)
• 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)
• CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
  本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
  論文  参考訳（メタデータ） (2020-04-05T16:34:51Z)
• LU-Net: a multi-task network to improve the robustness of segmentation of left ventriclular structures by deep learning in 2D echocardiography [6.633387219468496]
  本稿では,心臓のセグメンテーションの全体的な精度を向上させるために,エンドツーエンドのマルチタスクネットワークを提案する。 大規模なオープンアクセスデータセットから得られた結果から,本手法が現在最高のディープラーニングソリューションより優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-04T23:07:53Z)

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。