論文の概要: Modeling 3D cardiac contraction and relaxation with point cloud deformation networks

• arxiv url: http://arxiv.org/abs/2307.10927v1
• Date: Thu, 20 Jul 2023 14:56:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 12:42:23.439739
• Title: Modeling 3D cardiac contraction and relaxation with point cloud deformation networks
• Title（参考訳）: 点雲変形ネットワークを用いた三次元心収縮と緩和のモデリング
• Authors: Marcel Beetz, Abhirup Banerjee, Vicente Grau
• Abstract要約: 本稿では,3次元心収縮と緩和をモデル化する新しい幾何学的深層学習手法として,ポイントクラウド変形ネットワーク(PCD-Net)を提案する。 英国バイオバンクの調査から,1万件以上の症例の大規模データセットに対するアプローチを評価した。
• 参考スコア（独自算出の注目度）: 4.65840670565844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global single-valued biomarkers of cardiac function typically used in clinical practice, such as ejection fraction, provide limited insight on the true 3D cardiac deformation process and hence, limit the understanding of both healthy and pathological cardiac mechanics. In this work, we propose the Point Cloud Deformation Network (PCD-Net) as a novel geometric deep learning approach to model 3D cardiac contraction and relaxation between the extreme ends of the cardiac cycle. It employs the recent advances in point cloud-based deep learning into an encoder-decoder structure, in order to enable efficient multi-scale feature learning directly on multi-class 3D point cloud representations of the cardiac anatomy. We evaluate our approach on a large dataset of over 10,000 cases from the UK Biobank study and find average Chamfer distances between the predicted and ground truth anatomies below the pixel resolution of the underlying image acquisition. Furthermore, we observe similar clinical metrics between predicted and ground truth populations and show that the PCD-Net can successfully capture subpopulation-specific differences between normal subjects and myocardial infarction (MI) patients. We then demonstrate that the learned 3D deformation patterns outperform multiple clinical benchmarks by 13% and 7% in terms of area under the receiver operating characteristic curve for the tasks of prevalent MI detection and incident MI prediction and by 7% in terms of Harrell's concordance index for MI survival analysis.
• Abstract（参考訳）: 射出率のような臨床で一般的に用いられる心機能のグローバルな単価バイオマーカーは、真の3d心臓変形過程に関する限られた洞察を与え、健康的および病理学的心臓力学の両方の理解を制限している。 本研究では,3次元心収縮と心周期の極端間緩和をモデル化する新しい幾何学的深層学習手法として,point cloud deformation network (pcd-net)を提案する。 心臓解剖学のマルチクラス3Dポイントクラウド表現上で,効率的なマルチスケール特徴学習を実現するために,ポイントクラウドベースの深層学習をエンコーダ・デコーダ構造に応用した。 我々は,英国バイオバンクの調査から,1万件を超える大規模データセットに対するアプローチを評価し,画像取得の画素解像度以下の予測真理解剖学と地上真理解剖学の間の平均チャンファー距離を求める。 以上の結果から,pcd-netは正常者と心筋梗塞患者との間に有意なサブポピュレーション特異的な差を捉えることができた。 得られた3次元変形パターンは,MI検出および入射MI予測のタスクにおいて,受信機動作特性曲線の領域で13%,7%,ハーレルのMI生存分析におけるコンコーダンス指標で7%,複数の臨床ベンチマークで13%,7%を上回った。

関連論文リスト

• Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
  全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。 本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。 この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:05Z)
• Sequence-aware Pre-training for Echocardiography Probe Guidance [66.35766658717205]
  心臓超音波は、(1)心臓の本質的に複雑な構造、(2)重要な個人差の2つの大きな課題に直面している。 これまでの研究は、心臓のパーソナライズされた構造的特徴よりも、心臓の2Dおよび3Dの人口平均構造についてしか学ばなかった。 パーソナライズされた2次元と3次元の心構造特徴を学習するためのシーケンス認識型自己教師付き事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-08-27T12:55:54Z)
• 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)
• Multi-objective point cloud autoencoders for explainable myocardial infarction prediction [4.65840670565844]
  心筋梗塞は世界で最も多い死因の1つである。 画像ベースのバイオマーカーは、心臓の3D解剖においてより複雑なパターンを捉えることができない。 本稿では,多目的クラウドオートエンコーダについて,説明可能な梗塞予測のための新しい幾何学的深層学習手法として紹介する。
  論文  参考訳（メタデータ） (2023-07-20T16:45:16Z)
• 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)
• 3D Shape-Based Myocardial Infarction Prediction Using Point Cloud Classification Networks [12.231105631777881]
  心筋梗塞(MI)は最も多い心血管疾患の一つである。 そこで本研究では,MIイベントの検出精度を向上させるために,点雲形状の完全な3次元心臓形状の有用性について検討した。
  論文  参考訳（メタデータ） (2023-07-14T12:21:11Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• 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)
• PC-U Net: Learning to Jointly Reconstruct and Segment the Cardiac Walls in 3D from CT Data [18.941064150226236]
  2次元CTスライスから直接LV MYO壁の点雲を直接再構成するPC-Uネットを提案する。 提案したPC-Uネットの協調学習フレームワークは,自動心画像解析タスクに有用である。
  論文  参考訳（メタデータ） (2020-08-18T23:37:05Z)
• 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。