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

• 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)
• Vision Transformers increase efficiency of 3D cardiac CT multi-label segmentation [0.0]
  心電図(CT)データセットを2つ使用して,心臓全体を表す複数の領域を3Dで分割するネットワークをトレーニングした。 分節部は左心房,心室,左心室,上行大動脈,肺動脈,肺静脈,左心房補助であった。
  論文  参考訳（メタデータ） (2023-10-13T13:35:19Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• 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)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)
• Three-Dimensional Embedded Attentive RNN (3D-EAR) Segmentor for Left Ventricle Delineation from Myocardial Velocity Mapping [1.8653386811342048]
  MVM-CMRデータセットのための組み込みマルチチャネルアテンション機構とLSTMベースのリカレントニューラルネットワーク(RNN)を備えた3D-UNETバックボーンアーキテクチャを組み込んだ新しいフルオートマチックフレームワークを提案する。 3D-UNETのベースラインモデルと、組み込み型LSTMモジュールと各種損失関数の有無の比較により、提案モデルが最先端のベースラインモデルより大幅に改善されたことを実証できます。
  論文  参考訳（メタデータ） (2021-04-26T11:04:43Z)
• 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)
• Learning Hybrid Representations for Automatic 3D Vessel Centerline Extraction [57.74609918453932]
  3次元医用画像からの血管の自動抽出は血管疾患の診断に不可欠である。 既存の方法では、3次元画像からそのような細い管状構造を分割する際に、抽出された容器の不連続に悩まされることがある。 抽出された船舶の連続性を維持するためには、地球的幾何学を考慮に入れる必要があると論じる。 この課題を解決するためのハイブリッド表現学習手法を提案します。
  論文  参考訳（メタデータ） (2020-12-14T05:22:49Z)
• 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)
• 4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
  3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。 我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
  論文  参考訳（メタデータ） (2020-07-02T12:02:20Z)

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。