論文の概要: GL-Fusion: Global-Local Fusion Network for Multi-view Echocardiogram
Video Segmentation
- arxiv url: http://arxiv.org/abs/2309.11144v1
- Date: Wed, 20 Sep 2023 08:43:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-21 16:54:56.484951
- Title: GL-Fusion: Global-Local Fusion Network for Multi-view Echocardiogram
Video Segmentation
- Title(参考訳): GL-Fusion:マルチビュー心エコー画像セグメンテーションのためのグローバルローカルフュージョンネットワーク
- Authors: Ziyang Zheng, Jiewen Yang, Xinpeng Ding, Xiaowei Xu, Xiaomeng Li
- Abstract要約: グローバルかつローカルな多視点情報を共同で活用するための,新しいGobal-Local fusion (GL-Fusion) ネットワークを提案する。
グローバルコンテキスト情報を抽出するために,Multi-view Global-based Fusion Module (MGFM)を提案する。
Multi-view Local-based Fusion Module (MLFM) は、異なる視点から心臓構造の相関関係を抽出するように設計されている。
- 参考スコア(独自算出の注目度): 15.8851111502473
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiac structure segmentation from echocardiogram videos plays a crucial
role in diagnosing heart disease. The combination of multi-view echocardiogram
data is essential to enhance the accuracy and robustness of automated methods.
However, due to the visual disparity of the data, deriving cross-view context
information remains a challenging task, and unsophisticated fusion strategies
can even lower performance. In this study, we propose a novel Gobal-Local
fusion (GL-Fusion) network to jointly utilize multi-view information globally
and locally that improve the accuracy of echocardiogram analysis. Specifically,
a Multi-view Global-based Fusion Module (MGFM) is proposed to extract global
context information and to explore the cyclic relationship of different
heartbeat cycles in an echocardiogram video. Additionally, a Multi-view
Local-based Fusion Module (MLFM) is designed to extract correlations of cardiac
structures from different views. Furthermore, we collect a multi-view
echocardiogram video dataset (MvEVD) to evaluate our method. Our method
achieves an 82.29% average dice score, which demonstrates a 7.83% improvement
over the baseline method, and outperforms other existing state-of-the-art
methods. To our knowledge, this is the first exploration of a multi-view method
for echocardiogram video segmentation. Code available at:
https://github.com/xmed-lab/GL-Fusion
- Abstract(参考訳): 心エコー画像からの心筋組織分画は心疾患の診断において重要な役割を担っている。
多視点心エコーデータの組み合わせは、自動手法の精度と堅牢性を高めるために不可欠である。
しかし、データの視覚的な差異のため、クロスビューコンテキスト情報の導出は依然として困難な課題であり、非洗練な融合戦略はパフォーマンスを低下させる可能性がある。
本研究では,心エコー図解析の精度を向上させるために,グローバルおよびローカルにマルチビュー情報を活用する新しいgobal-local fusion (gl-fusion)ネットワークを提案する。
特に,心エコー画像における心拍動周期の周期関係を調べるために,多視点のグローバルベース融合モジュール (mgfm) を提案する。
さらに、多視点局所核融合モジュール(MLFM)は、異なる視点から心臓構造の相関関係を抽出するように設計されている。
さらに,マルチビュー心エコー画像データセット(MvEVD)を収集し,その評価を行った。
本手法は, 平均ダイススコア82.29%を達成し, ベースライン法よりも7.83%向上し, 既存手法よりも優れていた。
我々の知る限り、これは心エコービデオセグメンテーションのためのマルチビュー手法の最初の探索である。
コード提供: https://github.com/xmed-lab/gl-fusion
関連論文リスト
- Echocardiography video synthesis from end diastolic semantic map via
diffusion model [0.0]
本稿では,心臓ビデオ合成のために既存のビデオ拡散モデルを拡張し,課題に対処することを目的とする。
我々の焦点は、心循環中に初期フレームのセマンティックマップを用いてビデオを生成することであり、一般にエンドダイアストルと呼ばれる。
本モデルでは,FID,FVD,SSMIなどの複数の指標を用いて,標準拡散法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-10-11T02:08:05Z) - 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) - UniLVSeg: Unified Left Ventricular Segmentation with Sparsely Annotated
Echocardiogram Videos through Self-Supervised Temporal Masking and Weakly
Supervised Training [0.9304666952022026]
本研究は心エコービデオから左室一貫性セグメンテーション(LV)の新たなアプローチを導入する。
本研究では,(1)時間マスキングを用いた自己教師型学習(SSL),(2)弱教師型学習によって実現した。
提案手法は,大規模データセット上で93.32%のダイススコアを達成し,最先端のソリューションよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-09-30T18:13:41Z) - GraphEcho: Graph-Driven Unsupervised Domain Adaptation for
Echocardiogram Video Segmentation [15.8851111502473]
本稿では,心エコービデオセグメンテーションにおける教師なし領域適応(UDA)について検討する。
既存のUDAセグメンテーション手法は、局所的な情報や心拍の周期的一貫性をモデル化しないため、このタスクには適していない。
本稿では,新たに収集したCardiacUDAデータセットと,心構造セグメンテーションのための新しいGraphEcho手法を提案する。
論文 参考訳(メタデータ) (2023-09-20T08:44:10Z) - Learnable Weight Initialization for Volumetric Medical Image
Segmentation [54.1807206010136]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳(メタデータ) (2023-06-15T17:55:05Z) - 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) - EchoCoTr: Estimation of the Left Ventricular Ejection Fraction from
Spatiotemporal Echocardiography [0.0]
心エコー法などの医用ビデオデータのトレーニングにおいて,通常直面する限界に対処する手法を提案する。
超音波ビデオにおける左室放出率(LVEF)の推定に,視覚変換器とCNNの強度を利用するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-09-09T11:01:59Z) - MetaMedSeg: Volumetric Meta-learning for Few-Shot Organ Segmentation [47.428577772279176]
本稿では,容量医学データに対するメタラーニングタスクを再定義する,勾配に基づくメタラーニングアルゴリズムであるMetaMedSegを提案する。
実験では, 異なる臓器のCTおよびMRIから2Dスライスを抽出し, 医療用デカトロンデータセットの評価を行った。
提案したボリュームタスク定義は,関連するベースラインと比較してIoUで最大30%改善した。
論文 参考訳(メタデータ) (2021-09-18T11:13:45Z) - ECG Heartbeat Classification Using Multimodal Fusion [13.524306011331303]
本稿では,心電図の心拍数分類のための2つの計算効率の良いマルチモーダル融合フレームワークを提案する。
MFFでは,CNNの垂直層から特徴を抽出し,それらを融合させてユニークかつ相互依存的な情報を得た。
不整脈では99.7%,MIでは99.2%の分類が得られた。
論文 参考訳(メタデータ) (2021-07-21T03:48:35Z) - Towards Cross-modality Medical Image Segmentation with Online Mutual
Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。
モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。
MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文 参考訳(メタデータ) (2020-10-04T10:25:13Z) - 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。