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

• Implicit Neural Representations for Registration of Left Ventricle Myocardium During a Cardiac Cycle [0.6630677888308644]
  本研究は、心電図(CT)におけるDIR用INRの使用を拡大し、LVmyoの登録に焦点をあてた。 LVmyoの周辺での登録精度を高めるため、CTフレームからLVmyoの符号付き距離フィールドとHounsfield Unit値を統合する。 我々のフレームワークは高い登録精度を示し、LVmyo運動のさらなる解析を容易にする時間的登録のための堅牢な方法を提供する。
  論文  参考訳（メタデータ） (2025-01-13T11:58:02Z)
• Lost in Tracking: Uncertainty-guided Cardiac Cine MRI Segmentation at Right Ventricle Base [6.124743898202368]
  本稿では,CMRセグメンテーションにおける未解決問題,特にRVベースに対処することを提案する。 本稿では,時間的アンコヒーレンスを利用して平面間動きの発生時にセグメンテーションを通知する新しいデュアルエンコーダU-Netアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-04T11:14:31Z)
• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• 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)
• SimLVSeg: Simplifying Left Ventricular Segmentation in 2D+Time Echocardiograms with Self- and Weakly-Supervised Learning [0.8672882547905405]
  狭義の心エコービデオから一貫した左室(LV)セグメンテーションを行うビデオベースネットワークであるSimLVSegを開発した。 SimLVSegは、時間的マスキングによる自己教師付き事前トレーニングと、スパースアノテーションからのLVセグメンテーションに適した弱い教師付き学習で構成されている。 我々は、SimLVSegが、最大の2D+時間心エコー画像データセットで93.32%のダイススコアを達成して、最先端のソリューションをいかに優れているかを実証する。
  論文  参考訳（メタデータ） (2023-09-30T18:13:41Z)
• 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)

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。