論文の概要: Semantic-aware Temporal Channel-wise Attention for Cardiac Function
Assessment
- arxiv url: http://arxiv.org/abs/2310.05428v1
- Date: Mon, 9 Oct 2023 05:57:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 07:30:21.433246
- Title: Semantic-aware Temporal Channel-wise Attention for Cardiac Function
Assessment
- Title(参考訳): 心機能評価におけるセマンティック・アウェア・テンポラル・チャネル・ワイド・アテンション
- Authors: Guanqi Chen, Guanbin Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 69.02116920364311
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiac function assessment aims at predicting left ventricular ejection
fraction (LVEF) given an echocardiogram video, which requests models to focus
on the changes in the left ventricle during the cardiac cycle. How to assess
cardiac function accurately and automatically from an echocardiogram video is a
valuable topic in intelligent assisted healthcare. Existing video-based methods
do not pay much attention to the left ventricular region, nor the left
ventricular changes caused by motion. In this work, we propose a
semi-supervised auxiliary learning paradigm with a left ventricular
segmentation task, which contributes to the representation learning for the
left ventricular region. To better model the importance of motion information,
we introduce a temporal channel-wise attention (TCA) module to excite those
channels used to describe motion. Furthermore, we reform the TCA module with
semantic perception by taking the segmentation map of the left ventricle as
input to focus on the motion patterns of the left ventricle. Finally, to reduce
the difficulty of direct LVEF regression, we utilize an anchor-based
classification and regression method to predict LVEF. Our approach achieves
state-of-the-art performance on the Stanford dataset with an improvement of
0.22 MAE, 0.26 RMSE, and 1.9% $R^2$.
- Abstract(参考訳): 心機能評価は、心周期中の左室の変化に集中するようにモデルに要求する心エコー画像から左室排出分画(lvef)を予測することを目的としている。
心エコービデオから心機能評価を正確に自動で行う方法は、インテリジェント医療において重要なトピックである。
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。
そこで本研究では,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。
動き情報の重要性をモデル化するために,時間的チャンネルワイズ・アテンション(tca)モジュールを導入し,動きを記述するために使用されるチャンネルを興奮させる。
さらに,左心室のセグメンテーションマップを入力として,左心室の動作パターンに着目し,意味知覚でTCAモジュールを再構築した。
最後に, 直接LVEF回帰の困難さを軽減するために, アンカーベース分類法と回帰法を用いてLVEFの予測を行う。
提案手法は,0.22 MAE,0.26 RMSE,1.9%$R^2$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。
関連論文リスト
- Deep Learning for Automatic Strain Quantification in Arrhythmogenic
Right Ventricular Cardiomyopathy [0.0]
CMRIによる心臓運動の定量化は、不整脈性右室心筋症(ARVC)診断の不可欠な部分である。
Inlicit Neural Representations (INR) とディープラーニングを用いた心臓運動自動評価法を開発した。
以上の結果から,スライス間アライメントと超解像ボリュームの生成と,2つの心像の同時解析が相まって,登録性能が向上することが示唆された。
論文 参考訳(メタデータ) (2023-11-24T12:55:36Z) - 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) - Motion Magnification in Robotic Sonography: Enabling Pulsation-Aware
Artery Segmentation [44.868281669589194]
スキャン中の動脈セグメンテーションの精度と安定性を改善するために,新しい脈動補助セグメンテーションニューラルネットワーク(PAS-NN)を提案する。
興味のある周波数帯域内の微妙な動きを増幅し、連続したUS画像から脈動信号を抽出するために、運動倍率技術を用いる。
抽出したリアルタイム脈動情報は、米国横断画像の動脈を見つけるのに役立つ。
論文 参考訳(メタデータ) (2023-07-07T16:14:17Z) - Cyclical Self-Supervision for Semi-Supervised Ejection Fraction
Prediction from Echocardiogram Videos [32.62593401120131]
左室放出率(LVEF)は心不全の重要な指標である。
ビデオからLVEFを推定するための現在の手法は、高い性能を達成するために大量の注釈付きデータを必要とする。
本稿では,LVEF予測のための最初の半教師付きアプローチを提案する。
論文 参考訳(メタデータ) (2022-10-20T14:23:40Z) - Semi-supervised Cardiac Image Segmentation via Label Propagation and
Style Transfer [21.160227706899974]
左心室(LV)と右心室(RV)の血液プールを含む心臓構造を分割するためのフルオートマチックな方法を提案する。
具体的には,ラベル伝搬によるmriシーケンス時間枠を利用した半教師付き学習法を考案する。
私達はより強い心臓イメージの区分のための異なった中心およびベンダー間の分散を減らすために様式の移動を利用します。
論文 参考訳(メタデータ) (2020-12-29T14:57:03Z) - Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein
Segmentation in CT [45.93021999366973]
肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。
コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。
細気管支、動脈、静脈に対して優れた感受性を有する。
論文 参考訳(メタデータ) (2020-12-10T15:56:08Z) - 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) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳(メタデータ) (2020-06-28T21:03:19Z) - 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) - Automatic Right Ventricle Segmentation using Multi-Label Fusion in
Cardiac MRI [4.655680114261973]
心臓磁気共鳴画像(MRI)におけるRVの完全自動分割法を提案する。
本手法は,マルチアトラス伝搬セグメンテーションフレームワークと組み合わせた粗大なセグメンテーション戦略を用いる。
本手法は, 相互相関測定値に基づいて, 伝播の各繰り返しにおけるセグメンテーションの洗練を実現するために, 伝搬のための最適なアトラスを選択する。
論文 参考訳(メタデータ) (2020-04-05T21:06:15Z)
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。