論文の概要: EchoGLAD: Hierarchical Graph Neural Networks for Left Ventricle Landmark
Detection on Echocardiograms
- arxiv url: http://arxiv.org/abs/2307.12229v1
- Date: Sun, 23 Jul 2023 05:31:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 17:09:00.154215
- Title: EchoGLAD: Hierarchical Graph Neural Networks for Left Ventricle Landmark
Detection on Echocardiograms
- Title（参考訳）: EchoGLAD:心エコー図における左室ランドマーク検出のための階層型グラフニューラルネットワーク
- Authors: Masoud Mokhtari, Mobina Mahdavi, Hooman Vaseli, Christina Luong,
Purang Abolmaesumi, Teresa S. M. Tsang, Renjie Liao
- Abstract要約: 左室ランドマーク検出(EchoGLAD)のための心エコーを用いた階層型グラフニューラルネットワーク(GNN)を提案する。
本研究の主な貢献は,1)GNNによるマルチ解像度ランドマーク検出のための階層的グラフ表現学習フレームワーク,2)多レベル損失を用いた粒度の異なる階層的監視である。
- 参考スコア（独自算出の注目度）: 21.537833605289816
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The functional assessment of the left ventricle chamber of the heart requires
detecting four landmark locations and measuring the internal dimension of the
left ventricle and the approximate mass of the surrounding muscle. The key
challenge of automating this task with machine learning is the sparsity of
clinical labels, i.e., only a few landmark pixels in a high-dimensional image
are annotated, leading many prior works to heavily rely on isotropic label
smoothing. However, such a label smoothing strategy ignores the anatomical
information of the image and induces some bias. To address this challenge, we
introduce an echocardiogram-based, hierarchical graph neural network (GNN) for
left ventricle landmark detection (EchoGLAD). Our main contributions are: 1) a
hierarchical graph representation learning framework for multi-resolution
landmark detection via GNNs; 2) induced hierarchical supervision at different
levels of granularity using a multi-level loss. We evaluate our model on a
public and a private dataset under the in-distribution (ID) and
out-of-distribution (OOD) settings. For the ID setting, we achieve the
state-of-the-art mean absolute errors (MAEs) of 1.46 mm and 1.86 mm on the two
datasets. Our model also shows better OOD generalization than prior works with
a testing MAE of 4.3 mm.
- Abstract（参考訳）: 左心室の機能評価には,4つの目印位置を検出し,左心室の内部次元と周囲の筋肉の近似質量を測定する必要がある。
このタスクを機械学習で自動化する鍵となる課題は、臨床ラベルの空間性、すなわち高次元画像のいくつかのランドマークピクセルだけが注釈付けされており、多くの先行研究が等方性ラベルの平滑化に大きく依存している。
しかし、そのようなラベルの平滑化戦略は画像の解剖情報を無視し、偏見を生じさせる。
この課題に対処するために、左室ランドマーク検出(EchoGLAD)のための心エコーを用いた階層グラフニューラルネットワーク(GNN)を導入する。
私たちの主な貢献は
1)GNNによるマルチ解像度ランドマーク検出のための階層グラフ表現学習フレームワーク
2)多層的損失を用いた粒度の異なる階層的監視を行った。
我々は,本モデルについて,分布内(ID)および分布外(OOD)設定下で,パブリックおよびプライベートデータセット上で評価する。
ID設定では、2つのデータセット上で1.46mmと1.86mmの最先端平均絶対誤差(MAE)を達成する。
また,本モデルでは,従来の4.3mmの試験MAEよりもOODの一般化が優れていた。
関連論文リスト
- FM-OSD: Foundation Model-Enabled One-Shot Detection of Anatomical Landmarks [44.54301473673582]
医用画像のランドマーク検出を高精度に行うための,最初の基礎モデル付きワンショットランドマーク検出(FM-OSD)フレームワークを提案する。
本手法は,単一のテンプレート画像のみを用いることで,最先端のワンショットランドマーク検出法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-07-07T15:37:02Z) - ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。
第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。
次の段階では、デコーダは元のグラフで検出するために再訓練される。
論文 参考訳（メタデータ） (2023-12-22T09:02:01Z) - DualAttNet: Synergistic Fusion of Image-level and Fine-Grained Disease
Attention for Multi-Label Lesion Detection in Chest X-rays [1.3367903535457364]
胸部X線写真におけるDualAttNet(DualAttNet)というマルチラベル病変検出のための二重注意制御モジュールを提案する。
画像レベルの注意ブロックと微細な疾患注意アルゴリズムに基づいて、グローバルおよびローカルな病変分類情報を効率的に融合する。
論文 参考訳（メタデータ） (2023-06-23T23:19:27Z) - LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical
Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。
55の公開データセットから約13万の医療画像を収集しました。
LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文 参考訳（メタデータ） (2023-06-20T22:21:34Z) - Retinal Structure Detection in OCTA Image via Voting-based Multi-task
Learning [27.637273690432608]
本稿では,Voting-based Adaptive Feature Fusion multi-task network (VAFF-Net) を提案する。
タスク固有の投票ゲートモジュールは、特定のタスクに対して2段階の異なる特徴を適応的に抽出し、融合するために提案される。
さらなる研究を容易にするため、ソースコードと評価ベンチマークを備えたデータセットの一部がパブリックアクセス用にリリースされた。
論文 参考訳（メタデータ） (2022-08-23T05:53:04Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Deep Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。
GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。
本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
論文 参考訳（メタデータ） (2021-12-19T05:04:53Z) - Dual Convolutional Neural Networks for Breast Mass Segmentation and
Diagnosis in Mammography [18.979126709943085]
本稿では,マンモグラム画像処理のための新しいディープラーニングフレームワークを提案する。
本手法はデュアルパスアーキテクチャで構築され,そのマッピングをデュアルプロブレム方式で解決する。
実験の結果,DualCoreNetはマンモグラフィーのセグメンテーションと分類を同時に達成し,最近の最先端モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-08-07T02:23:36Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z)
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。