論文の概要: SDF4CHD: Generative Modeling of Cardiac Anatomies with Congenital Heart Defects

• arxiv url: http://arxiv.org/abs/2311.00332v1
• Date: Wed, 1 Nov 2023 06:50:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-02 14:32:30.911439
• Title: SDF4CHD: Generative Modeling of Cardiac Anatomies with Congenital Heart Defects
• Title（参考訳）: SDF4CHD : 先天性心不全を伴う心臓解剖の創成モデル
• Authors: Fanwei Kong and Sascha Stocker and Perry S. Choi and Michael Ma and Daniel B. Ennis and Alison Marsden
• Abstract要約: 先天性心疾患(CHD)は、心臓血管構造異常のスペクトルを含む。 ディープラーニング(DL)手法は、効率的な治療計画を可能にする可能性を実証している。 しかし、CHDは稀であり、そのようなDLモデルの訓練に十分な量の患者コホートを取得することは困難である。 異なるCHDタイプで観察される心臓解剖の幅広いスペクトルを捉えるのに適したタイプと形状の異なる生成手法を提案する。
• 参考スコア（独自算出の注目度）: 1.7253131980161722
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Congenital heart disease (CHD) encompasses a spectrum of cardiovascular structural abnormalities, often requiring customized treatment plans for individual patients. Computational modeling and analysis of these unique cardiac anatomies can improve diagnosis and treatment planning and may ultimately lead to improved outcomes. Deep learning (DL) methods have demonstrated the potential to enable efficient treatment planning by automating cardiac segmentation and mesh construction for patients with normal cardiac anatomies. However, CHDs are often rare, making it challenging to acquire sufficiently large patient cohorts for training such DL models. Generative modeling of cardiac anatomies has the potential to fill this gap via the generation of virtual cohorts; however, prior approaches were largely designed for normal anatomies and cannot readily capture the significant topological variations seen in CHD patients. Therefore, we propose a type- and shape-disentangled generative approach suitable to capture the wide spectrum of cardiac anatomies observed in different CHD types and synthesize differently shaped cardiac anatomies that preserve the unique topology for specific CHD types. Our DL approach represents generic whole heart anatomies with CHD type-specific abnormalities implicitly using signed distance fields (SDF) based on CHD type diagnosis, which conveniently captures divergent anatomical variations across different types and represents meaningful intermediate CHD states. To capture the shape-specific variations, we then learn invertible deformations to morph the learned CHD type-specific anatomies and reconstruct patient-specific shapes. Our approach has the potential to augment the image-segmentation pairs for rarer CHD types for cardiac segmentation and generate cohorts of CHD cardiac meshes for computational simulation.
• Abstract（参考訳）: 先天性心疾患(CHD)は、心臓血管構造異常のスペクトルを含み、個々の患者に対してカスタマイズされた治療計画を必要とすることが多い。 これらのユニークな心臓解剖の計算モデリングと分析は、診断と治療計画を改善し、最終的には改善する可能性がある。 深層学習 (DL) 法は, 正常心疾患患者の心臓分割とメッシュ構築を自動化し, 効率的な治療計画を可能にする可能性を実証している。 しかし、CHDは稀であり、そのようなDLモデルの訓練に十分な量の患者コホートを取得することは困難である。 心臓解剖の生成的モデリングは、仮想コホートの生成によってこのギャップを埋める可能性があるが、従来のアプローチは主に正常な解剖学のために設計されており、CHD患者で見られる重要なトポロジ的変化を容易に捉えることはできない。 そこで本研究では, 異なるchd型で観察される広いスペクトルの心臓解剖を捉え, 特定のchd型に対して特異なトポロジーを保った異なる形状の心臓解剖を合成する。 DLアプローチは,CHD型診断に基づく署名付き距離場(SDF)を用いて暗黙的にCHD型特異的異常を呈し,異なるタイプの解剖学的変動を簡便に捉え,有意な中間的CHD状態を示す。 形状特異的な変形を捉えるために, 可逆的変形を学習し, 学習したchd型特異的解剖を変形し, 患者特異的な形状を再構築する。 本手法は, 心筋セグメンテーションのための希少なCHDタイプの画像分割ペアを増強し, 計算シミュレーションのためのCHD心筋メッシュのコホートを生成する可能性を秘めている。

関連論文リスト

• Riemannian Prediction of Anatomical Diagnoses in Congenital Heart Disease based on 12-lead ECGs [2.090217662115913]
  先天性心疾患(英: Congenital heart disease、CHD)は、出生時の患者に影響を及ぼし、非常に異質な解剖学的、機能的欠陥をもたらす比較的稀な疾患である。 12誘導ECGシグナルは、疾患予後のための重要なバイオマーカーを提供するため、CHD患者で定期的に収集される。
  論文  参考訳（メタデータ） (2023-11-27T13:40:27Z)
• Shape of my heart: Cardiac models through learned signed distance functions [33.29148402516714]
  本研究では、リプシッツ正則性を持つ3次元深部符号距離関数を用いて心臓の形状を再構成する。 この目的のために、心臓MRIの形状を学習し、複数の室の空間的関係をモデル化する。 また,本手法は1つの心室からの点雲などの部分的データから解剖モデルを再構築することも可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-31T09:02:53Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• S3M: Scalable Statistical Shape Modeling through Unsupervised Correspondences [91.48841778012782]
  本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。 我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。 我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
  論文  参考訳（メタデータ） (2023-04-15T09:39:52Z)
• A Generative Shape Compositional Framework to Synthesise Populations of Virtual Chimaeras [52.33206865588584]
  複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。 心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。 提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
  論文  参考訳（メタデータ） (2022-10-04T13:36:52Z)
• Statistical Shape Modeling of Biventricular Anatomy with Shared Boundaries [16.287876512923084]
  本稿では,共有境界を持つ多臓器解剖学の統計的形状モデルを構築するための汎用的で柔軟なデータ駆動手法を提案する。 心臓の共有境界における形状変化は、非協調的収縮と低臓器灌流を引き起こす潜在的な病理学的変化を示す可能性がある。
  論文  参考訳（メタデータ） (2022-09-06T15:54:37Z)
• 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)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• CNN-based Cardiac Motion Extraction to Generate Deformable Geometric Left Ventricle Myocardial Models from Cine MRI [0.0]
  Cine心MR画像からLV心筋の患者特異的幾何モデルの開発のための枠組みを提案する。 我々はvoxelmorph-based convolutional neural network (cnn) を用いて、心周期の次のフレームにエンドダイアゾールフレームの等表面メッシュとボリュームメッシュを伝搬する。
  論文  参考訳（メタデータ） (2021-03-30T21:34:29Z)
• Cardiac Cohort Classification based on Morphologic and Hemodynamic Parameters extracted from 4D PC-MRI Data [6.805476759441964]
  大動脈内血流データから抽出した形態学的および血行動態の特徴について検討し,心疾患のボランティアとバイカピッド大動脈弁(BAV)患者の分類について検討した。 実験では,健康なサブグループとBAV患者のために,いくつかの特徴選択法と分類アルゴリズムを用いて個別のモデルを訓練した。
  論文  参考訳（メタデータ） (2020-10-12T11:36:04Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。