論文の概要: A Deep Learning-Based and Fully Automated Pipeline for Regurgitant Mitral Valve Anatomy Analysis from 3D Echocardiography

• arxiv url: http://arxiv.org/abs/2302.10634v2
• Date: Thu, 19 Dec 2024 16:41:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-20 13:27:07.314987
• Title: A Deep Learning-Based and Fully Automated Pipeline for Regurgitant Mitral Valve Anatomy Analysis from 3D Echocardiography
• Title（参考訳）: 3次元心エコー法による人工僧帽弁解剖解析のためのディープラーニングと完全自動パイプライン
• Authors: Riccardo Munafò, Simone Saitta, Giacomo Ingallina, Paolo Denti, Francesco Maisano, Eustachio Agricola, Alberto Redaelli, Emiliano Votta,
• Abstract要約: 3D経食道心エコー法(DTEE)は僧帽弁閉鎖不全症(MR)の診断に有用である 手動TEEセグメンテーションは時間を要するため、運用内の変動が原因で、測定の信頼性に影響を及ぼす。 我々は,3次元畳み込みニューラルネットワーク(CNN)を用いて,MVサブ構造を分割し,MV解剖を定量化する完全自動パイプラインを開発した。
• 参考スコア（独自算出の注目度）: 0.3387808070669509
• License:
• Abstract: 3D transesophageal echocardiography (3DTEE), is the recommended method for diagnosing mitral regurgitation (MR). 3DTEE provides a high-quality 3D image of the mitral valve (MV), allowing for precise segmentation and measurement of the regurgitant valve anatomy. However, manual TEE segmentations are time-consuming and prone to intra-operator variability, affecting the reliability of the measurements. To address this, we developed a fully automated pipeline using a 3D convolutional neural network (CNN) to segment MV substructures (annulus, anterior leaflet, and posterior leaflet) and quantify MV anatomy. The 3D CNN, based on a multi-decoder residual U-Net architecture, was trained and tested on a dataset comprising 100 3DTEE images with corresponding segmentations. Within the pipeline, a custom algorithm refines the CNN-based segmentations and extracts MV models, from which anatomical landmarks and features are quantified. The accuracy of the proposed method was assessed using Dice score and mean surface distance (MSD) against ground truth segmentations, and the extracted anatomical parameters were compared against a semiautomated commercial software TomTec Image Arena. The trained 3D CNN achieved an average Dice score of 0.79 and MSD of 0.47 mm for the combined segmentation of the annulus, anterior and posterior leaflet. The proposed CNN architecture outperformed a baseline residual U-Net architecture in MV substructure segmentation, and the refinement of the predicted annulus segmentation improved MSD by 8.36%. The annular and leaflet linear measurements differed by less than 7.94 mm and 3.67 mm, respectively, compared to the 3D measurements obtained with TomTec Image Arena. The proposed pipeline was faster than the commercial software, with a modeling time of 12.54 s and a quantification time of 54.42 s.
• Abstract（参考訳）: 3D経食道心エコー法(3DTEE)は僧帽弁閉鎖不全症(MR)の診断に有用である。 3DTEEは、僧帽弁(MV)の高品質な3D画像を提供する。 しかし、手動のTEEセグメンテーションは時間を要するため、操作中の変動が生じやすいため、測定の信頼性に影響を及ぼす。 そこで我々は,3次元畳み込みニューラルネットワーク(CNN)を用いた完全自動パイプラインを開発し,MVサブ構造(アニュラス,前葉,後葉)を分割し,MV解剖を定量化した。 3D CNNは、マルチデコーダ残差U-Netアーキテクチャに基づいて、100個の3DTEEイメージと対応するセグメンテーションからなるデータセット上でトレーニングおよびテストを行った。 パイプライン内では、カスタムアルゴリズムがCNNベースのセグメンテーションを洗練し、MVモデルを抽出し、解剖学的ランドマークと特徴を定量化する。 提案手法の精度をDiceスコアと平均表面距離 (MSD) を用いて評価し, 抽出した解剖学的パラメータをセミオートマチックな商用ソフトウェアTomTec Image Arenaと比較した。 訓練した3D CNNは平均Diceスコア0.79とMSD0.47mmを達成した。 提案したCNNアーキテクチャはMVサブ構造セグメンテーションにおいてベースライン残留U-Netアーキテクチャよりも優れ、予測アンラスセグメンテーションの改良によりMSDは8.36%向上した。 環状とリーフレットの線形測定は、TomTec Image Arenaの3D計測と比較すると、それぞれ7.94mmと3.67mm以下であった。 提案されたパイプラインは商用ソフトウェアよりも高速で、モデリング時間は12.54秒、量子化時間は54.42秒であった。

関連論文リスト

• Towards Patient-Specific Surgical Planning for Bicuspid Aortic Valve Repair: Fully Automated Segmentation of the Aortic Valve in 4D CT [0.0732099897993399]
  Bicuspid aortic valve(BAV)は先天性心不全の最も多い疾患であり、狭窄、逆流、大動脈症などの合併症の手術を必要とする可能性がある。 造影CT(Contrast-enhanced 4D Computed Tomography)はコントラストと空間分解能に優れた体積時間配列を生成する。 ディープラーニングベースの手法は、完全に自動化されたセグメンテーションが可能であるが、BAV固有のモデルは存在しない。
  論文  参考訳（メタデータ） (2025-02-13T22:43:43Z)
• Deep-Motion-Net: GNN-based volumetric organ shape reconstruction from single-view 2D projections [1.8189671456038365]
  放射線治療中に3次元臓器形状を再構成できるエンドツーエンドのグラフニューラルネットワークアーキテクチャを提案する。 提案モデルは、患者固有のテンプレートと、任意の投影角度でkV画像から抽出した深い特徴からメッシュ回帰を学習する。 総合的枠組みは, 合成呼吸運動のシナリオを定量的に検討し, 肝癌患者に対するフルスキャンで得られた内処理画像について質的に検討した。
  論文  参考訳（メタデータ） (2024-07-09T09:07:18Z)
• Multi-class point cloud completion networks for 3D cardiac anatomy reconstruction from cine magnetic resonance images [4.1448595037512925]
  マルチクラスの心臓解剖学的メッシュを再構築できる新しい完全自動表面再構成パイプラインを提案する。 その鍵となるコンポーネントは、マルチクラスポイントクラウド補完ネットワーク(PCCN)である。
  論文  参考訳（メタデータ） (2023-07-17T14:52:52Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• CNN-based fully automatic wrist cartilage volume quantification in MR Image [55.41644538483948]
  追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。 非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
  論文  参考訳（メタデータ） (2022-06-22T14:19:06Z)
• A unified 3D framework for Organs at Risk Localization and Segmentation for Radiation Therapy Planning [56.52933974838905]
  現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする 本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。 提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
  論文  参考訳（メタデータ） (2022-03-01T17:08:41Z)
• Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
  CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。 新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。 提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
  論文  参考訳（メタデータ） (2020-12-16T07:11:16Z)
• Segmentation-free Estimation of Aortic Diameters from MRI Using Deep Learning [2.231365407061881]
  大動脈径の直接推定のための教師付き深層学習法を提案する。 提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。 全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
  論文  参考訳（メタデータ） (2020-09-09T18:28:00Z)
• Multi-modal segmentation of 3D brain scans using neural networks [0.0]
  深部畳み込みニューラルネットワークは、3D MRI(MPRAGE, DWI, FLAIR)とCTスキャンのセグメンテーションのために訓練される。 セグメンテーションの質は、合計27の解剖学的構造に対してディース計量を用いて定量化される。
  論文  参考訳（メタデータ） (2020-08-11T09:13:54Z)
• Deep Negative Volume Segmentation [60.44793799306154]
  対象物を取り囲むすべての組織間で空の空間を分割する3Dセグメント化タスクに対する新しい角度を提案する。 我々のアプローチは骨分割のためのV-Netを含むエンドツーエンドパイプラインである。 顎顔面領域の専門医が注釈を付した50名の患者データセットにおけるCTスキャンの考え方を検証した。
  論文  参考訳（メタデータ） (2020-06-22T16:55:23Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。