論文の概要: Estimation of mitral valve hinge point coordinates -- deep neural net
for echocardiogram segmentation
- arxiv url: http://arxiv.org/abs/2301.08782v1
- Date: Fri, 20 Jan 2023 19:46:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 16:33:52.791248
- Title: Estimation of mitral valve hinge point coordinates -- deep neural net
for echocardiogram segmentation
- Title（参考訳）: 僧帽弁ヒンジ点座標の推定 --心エコー区分けのためのディープニューラルネット
- Authors: Christian Schmidt and Heinrich Martin Overhoff
- Abstract要約: 僧帽弁ヒンジ点の完全自動検出法を提案する。
この方法は、得られたセグメンテーションから第2ステップで僧帽弁ヒンジポイントを抽出する。
この自動検出法を用いて測定した結果を基準座標値と比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiac image segmentation is a powerful tool in regard to diagnostics and
treatment of cardiovascular diseases. Purely feature-based detection of
anatomical structures like the mitral valve is a laborious task due to
specifically required feature engineering and is especially challenging in
echocardiograms, because of their inherently low contrast and blurry boundaries
between some anatomical structures. With the publication of further annotated
medical datasets and the increase in GPU processing power, deep learning-based
methods in medical image segmentation became more feasible in the past years.
We propose a fully automatic detection method for mitral valve hinge points,
which uses a U-Net based deep neural net to segment cardiac chambers in
echocardiograms in a first step, and subsequently extracts the mitral valve
hinge points from the resulting segmentations in a second step. Results
measured with this automatic detection method were compared to reference
coordinate values, which with median absolute hinge point coordinate errors of
1.35 mm for the x- (15-85 percentile range: [0.3 mm; 3.15 mm]) and 0.75 mm for
the y- coordinate (15-85 percentile range: [0.15 mm; 1.88 mm]).
- Abstract（参考訳）: 心臓画像分割は、心血管疾患の診断と治療において強力なツールである。
僧帽弁のような純粋に特徴に基づく解剖学的構造の検出は特に要求される特徴工学のために困難な作業であり、心エコー図において特に困難である。
さらなる注釈付き医療データセットの公開とGPU処理能力の増大により、医療画像セグメンテーションにおけるディープラーニングベースの手法は、ここ数年でより実現可能になった。
そこで本研究では,u-netを用いたディープニューラルネットを用いて第1段階で心室を心エコー図に分割し,第2ステップで僧帽弁ヒンジポイントを抽出する僧帽弁ヒンジポイントの完全自動検出法を提案する。
平均絶対ヒンジ点座標誤差はx- (15-85%ile range: [0.3 mm; 3.15 mm]) と y- coordinate (15-85 percentile range: [0.15 mm; 1.88 mm]) で 0.75 mm である。
関連論文リスト
- Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。
UIA検出では偽陽性率は0.21で感度は0.80であった。
論文 参考訳（メタデータ） (2023-08-06T03:28:08Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Towards Fully Automated Segmentation of Rat Cardiac MRI by Leveraging
Deep Learning Frameworks [1.6020567943077142]
我々は,標準的なU-Netアーキテクチャ上に拡張されたセグメンテーションモデルを開発し,シストール相とダイアストル相の別々のモデルを評価する。
ガウス過程を1MSAに適用することで、シストールとジアストールの選択を自動化できる。
論文 参考訳（メタデータ） (2021-09-09T11:48:50Z) - A New Semi-Automated Algorithm for Volumetric Segmentation of the Left
Ventricle in Temporal 3D Echocardiography Sequences [1.3466792104272818]
左室の起伏は、スペックルノイズの存在と信号対雑音比の低さにより困難である。
本稿では,左心室の経時的3次元心エコー法における半自動セグメンテーションアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-02T17:55:56Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。
これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。
形状と境界認識機能を利用する新しいモデルを提案する。
論文 参考訳（メタデータ） (2021-05-27T13:54:59Z) - Neural collaborative filtering for unsupervised mitral valve
segmentation in echocardiography [60.08918310097638]
心エコービデオの低次元埋め込みに基づく僧帽弁断面積自動制御法を提案する。
本法は, 各種僧帽弁疾患患者の心エコービデオと, 独立した検査コホートを用いて評価した。
これは、低品質ビデオやスパースアノテーションの場合には、最先端のインハンサーとエンファンサーの手法より優れている。
論文 参考訳（メタデータ） (2020-08-13T12:53:26Z) - 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)
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。