論文の概要: Automatically Segment the Left Atrium and Scars from LGE-MRIs Using a
Boundary-focused nnU-Net
- arxiv url: http://arxiv.org/abs/2304.14071v1
- Date: Thu, 27 Apr 2023 10:05:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 13:46:17.263423
- Title: Automatically Segment the Left Atrium and Scars from LGE-MRIs Using a
Boundary-focused nnU-Net
- Title（参考訳）: 境界集中型nnU-Netを用いたLGE-MRIからの左心房とスカーの自動分離
- Authors: Yuchen Zhang, Yanda Meng, Yalin Zheng
- Abstract要約: 我々は、LA空洞を自動的に分割し、後期ガドリニウム強調磁気共鳴イメージング(LGE-MRI)によるLA傷の定量化を提案する。
具体的には、LA境界画素の焦点をトレーニング中に達成し、より正確な境界予測を提供する。
LAScarQS 2022データセットの実験では、LA空洞とLA傷痕のセグメンテーションにおいて、我々のモデルの優れた性能が示された。
- 参考スコア（独自算出の注目度）: 8.27752923297381
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Atrial fibrillation (AF) is the most common cardiac arrhythmia. Accurate
segmentation of the left atrial (LA) and LA scars can provide valuable
information to predict treatment outcomes in AF. In this paper, we proposed to
automatically segment LA cavity and quantify LA scars with late gadolinium
enhancement Magnetic Resonance Imagings (LGE-MRIs). We adopted nnU-Net as the
baseline model and exploited the importance of LA boundary characteristics with
the TopK loss as the loss function. Specifically, a focus on LA boundary pixels
is achieved during training, which provides a more accurate boundary
prediction. On the other hand, a distance map transformation of the predicted
LA boundary is regarded as an additional input for the LA scar prediction,
which provides marginal constraint on scar locations. We further designed a
novel uncertainty-aware module (UAM) to produce better results for predictions
with high uncertainty. Experiments on the LAScarQS 2022 dataset demonstrated
our model's superior performance on the LA cavity and LA scar segmentation.
Specifically, we achieved 88.98\% and 64.08\% Dice coefficient for LA cavity
and scar segmentation, respectively. We will make our implementation code
public available at https://github.com/level6626/Boundary-focused-nnU-Net.
- Abstract（参考訳）: 心房細動 (AF) が最も多い不整脈である。
左心房(LA)とLAの傷痕の正確なセグメンテーションは、AFの治療成績を予測する貴重な情報を提供することができる。
本稿では,後期ガドリニウム強調磁気共鳴画像(LGE-MRI)を用いて,LAの空洞を自動的に分離し,LAの傷跡を定量化する手法を提案する。
ベースラインモデルとしてnnU-Netを採用し,損失関数としてTopK損失を用いたLA境界特性の重要性を生かした。
具体的には、LA境界画素の焦点をトレーニング中に達成し、より正確な境界予測を提供する。
一方、予測されたLA境界の距離マップ変換は、スカーロケーションに限界制約を与えるLAスカー予測のための追加入力と見なされる。
さらに,不確実性の高い予測結果を生成するために,新たな不確実性認識モジュール (uam) を設計した。
lascarqs 2022データセットの実験により,laキャビティおよびlaスカーセグメンテーションにおいて,モデルが優れた性能を示した。
具体的には, LA空洞およびスカーセグメンテーションにおいて, 88.98\%, 64.08\%のDice係数を得た。
私たちは実装コードをhttps://github.com/level6626/Boundary- focused-nnU-Netで公開します。
関連論文リスト
- Boundary Difference Over Union Loss For Medical Image Segmentation [30.75832534753879]
我々は、境界領域分割を導くために、ユニオン損失(境界DoU損失)に対する境界差という、シンプルで効果的な損失を開発した。
私たちの損失はリージョンの計算にのみ依存するので、追加の損失を必要とせずに、実装やトレーニングが簡単になります。
論文 参考訳（メタデータ） (2023-08-01T01:27:34Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - MAPPING: Model Average with Post-processing for Stroke Lesion
Segmentation [57.336056469276585]
我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。
本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
論文 参考訳（メタデータ） (2022-11-11T14:17:04Z) - Multi-Depth Boundary-Aware Left Atrial Scar Segmentation Network [1.433758865948252]
本稿では,LA と LA のフラグをセグメント化するための境界認識型 LA フラグセグメンテーションネットワークを提案する。
このネットワークは、LAスカーセグメンテーションの平均Diceスコア0.608を達成した。
論文 参考訳（メタデータ） (2022-08-08T03:32:18Z) - JAS-GAN: Generative Adversarial Network Based Joint Atrium and Scar
Segmentations on Unbalanced Atrial Targets [11.507811388835348]
本研究では,不均衡な心房ターゲットを識別するカスケード間対向ネットワーク,すなわち JAS-GAN を提案する。
Jas-GANは、不均衡な心房ターゲットのセグメンテーションタスクを自動的に関連付ける適応的注意カスケードを調査します。
主に、LAと心房の傷が実際のものと一致するよう、推定された共同分布を強制する。
論文 参考訳（メタデータ） (2021-05-01T12:33:02Z) - Global Guidance Network for Breast Lesion Segmentation in Ultrasound
Images [84.03487786163781]
我々は,大域的誘導ブロック(GGB)と乳房病変境界検出モジュールを備えた深部畳み込みニューラルネットワークを開発した。
当社のネットワークは、乳房超音波病変分割における他の医療画像分割方法および最近のセマンティックセグメンテーション方法よりも優れています。
論文 参考訳（メタデータ） (2021-04-05T13:15:22Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - AtrialJSQnet: A New Framework for Joint Segmentation and Quantification
of Left Atrium and Scars Incorporating Spatial and Shape Information [22.162571400010467]
臨床では左心房(LA)と後期ガドリニウム造影MRI(LGE MRI)の心房粗動が重要な課題である。
従来の手法は通常2つの課題を独立に解決し、LAと傷跡の固有の空間的関係を無視した。
AtrialJSQnetと呼ばれる新しいフレームワークを開発し、LAセグメンテーション、LA表面へのスカープロジェクション、およびスカーの定量化をエンドツーエンド形式で同時に行う。
論文 参考訳（メタデータ） (2020-08-11T14:44:19Z) - Joint Left Atrial Segmentation and Scar Quantification Based on a DNN
with Spatial Encoding and Shape Attention [21.310508988246937]
本稿では,左心房(LA)空洞を同時に分割し,LAの傷跡を定量化するエンド・ツー・エンドディープ・ニューラル・ネットワーク(DNN)を提案する。
提案フレームワークは,空間符号化(SE)ロスを導入することで,目標の連続的な空間情報を組み込む。
LAセグメンテーションでは、3D基本U-Netと比較して平均ハウスドルフ距離を36.4mmから20.0mmに減らした。
論文 参考訳（メタデータ） (2020-06-23T13:55:29Z) - 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)
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。