Fugu-MT 論文翻訳(概要): Hierarchical Vision Transformers for Cardiac Ejection Fraction Estimation

論文の概要: Hierarchical Vision Transformers for Cardiac Ejection Fraction Estimation

arxiv url: http://arxiv.org/abs/2304.00177v1
Date: Fri, 31 Mar 2023 23:42:17 GMT
ステータス: 処理完了
システム内更新日: 2023-04-04 19:31:29.956295
Title: Hierarchical Vision Transformers for Cardiac Ejection Fraction Estimation
Title（参考訳）: 心臓射出分画推定のための階層的視覚変換器
Authors: Lhuqita Fazry, Asep Haryono, Nuzulul Khairu Nissa, Sunarno, Naufal Muhammad Hirzi, Muhammad Febrian Rachmadi, Wisnu Jatmiko
Abstract要約: 本稿では,階層型視覚変換器をベースとした深層学習手法を提案する。提案手法は,まず左腹腔分画を必要とせずに吐出率を推定できるので,他の方法よりも効率がよい。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The left ventricular of ejection fraction is one of the most important metric of cardiac function. It is used by cardiologist to identify patients who are eligible for lifeprolonging therapies. However, the assessment of ejection fraction suffers from inter-observer variability. To overcome this challenge, we propose a deep learning approach, based on hierarchical vision Transformers, to estimate the ejection fraction from echocardiogram videos. The proposed method can estimate ejection fraction without the need for left ventrice segmentation first, make it more efficient than other methods. We evaluated our method on EchoNet-Dynamic dataset resulting 5.59, 7.59 and 0.59 for MAE, RMSE and R2 respectivelly. This results are better compared to the state-of-the-art method, Ultrasound Video Transformer (UVT). The source code is available on https://github.com/lhfazry/UltraSwin.
Abstract（参考訳）: 左心室流出分画は心機能の最も重要な指標の1つである。心臓科医が生命維持療法を受ける患者を特定するために用いられる。しかし、射出率の評価はオブザーバ間の変動に苦しむ。この課題を克服するために,階層型視覚変換器に基づく深層学習手法を提案し,心エコービデオから吐出率を推定する。提案手法は左室分画をまず必要とせずに射出率を推定でき,他の方法よりも効率的である。提案手法は,MAE,RMSE,R2に対してそれぞれ5.59,7.59,0.59となる。この結果は、最先端のUVT(Ultrasound Video Transformer)よりも優れている。ソースコードはhttps://github.com/lhfazry/ultraswin。

関連論文リスト

CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
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)
M(otion)-mode Based Prediction of Ejection Fraction using Echocardiograms [13.112371567924802]
心エコー図のM(otion)モードを用いて左室流出率(EF)を推定し,心筋症を分類する。心エコー図から複数の人工Mモード画像を生成し,既製のモデルアーキテクチャを用いて組み合わせる。実験の結果,教師付き設定は10モードで収束し,ベースライン法に匹敵することがわかった。
論文参考訳（メタデータ） (2023-09-07T15:00:58Z)
DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler Signal [48.97719097435527]
DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
論文参考訳（メタデータ） (2023-05-15T18:19:29Z)
Bayesian Optimization of 2D Echocardiography Segmentation [2.6947715121689204]
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。
論文参考訳（メタデータ） (2022-11-17T20:52:36Z)
D'ARTAGNAN: Counterfactual Video Generation [3.4079278794252232]
因果的対応の機械学習フレームワークは、臨床医がカウンターファクトの質問に答えることで、治療の最良のコースを特定するのに役立つ。我々は、D'ARTAGNANを構築するために、ディープニューラルネットワーク、ツイン因果ネットワーク、および生成的敵法を初めて組み合わせる。新しい超音波ビデオを生成し, 所定の入力に設定したエジェクション・フラクションのバリエーションを用いて, 元の患者の映像スタイルと解剖を保ちながら, 超音波ビデオを生成する。
論文参考訳（メタデータ） (2022-06-03T15:53:32Z)
Automatic Segmentation of Left Ventricle in Cardiac Magnetic Resonance Images [0.9576327614980393]
心臓科医は、心機能を決定するために、しばしば放出分数を用いる。 MR画像における左室の自動区分けのためのマルチスケールテンプレートマッチング手法と楕円形アクティブディスクを提案する。
論文参考訳（メタデータ） (2022-01-30T13:05:35Z)
A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文参考訳（メタデータ） (2021-10-24T18:58:40Z)
Ultrasound Video Transformers for Cardiac Ejection Fraction Estimation [3.188100483042461]
本稿では,トークン分類に適応したResidual Auto-Encoder NetworkとBERTモデルを用いた超音波ビデオ解析手法を提案する。本研究では,エンドシストリクス(ES)とエンドダイアストリクス(ED)のフレーム検出と左室放出率の自動計算に本モデルを適用した。エンド・ツー・エンドの学習可能なアプローチでは、5.95のMAEと0.15秒で$R2$の0.52で射出率を推定できる。
論文参考訳（メタデータ） (2021-07-02T11:23:09Z)
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)

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。