論文の概要: Generation of patient specific cardiac chamber models using generative
neural networks under a Bayesian framework for electroanatomical mapping
- arxiv url: http://arxiv.org/abs/2311.16197v1
- Date: Mon, 27 Nov 2023 03:47:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 21:27:12.402390
- Title: Generation of patient specific cardiac chamber models using generative
neural networks under a Bayesian framework for electroanatomical mapping
- Title（参考訳）: 電気解剖学的マッピングのためのベイズ的枠組みに基づく生成ニューラルネットワークを用いた患者特異的心室モデルの作成
- Authors: Sunil Mathew, Jasbir Sra and Daniel B. Rowe
- Abstract要約: 心のCT/MRIスキャンライブラリーでトレーニングされた確率論的機械学習モデルは、電気解剖学的マッピングで使用することができる。
疎い3次元点雲データから心臓室モデルの表面再構成を行うためのベイズ的手法を提案する。
ニューラルネットワークが、ネットワークのトレーニングに使用するセグメント化されたCT/MRI画像から何を学習するかについて、どのように洞察を提供するかを示す。
- 参考スコア（独自算出の注目度）: 1.9336815376402723
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electroanatomical mapping is a technique used in cardiology to create a
detailed 3D map of the electrical activity in the heart. It is useful for
diagnosis, treatment planning and real time guidance in cardiac ablation
procedures to treat arrhythmias like atrial fibrillation. A probabilistic
machine learning model trained on a library of CT/MRI scans of the heart can be
used during electroanatomical mapping to generate a patient-specific 3D model
of the chamber being mapped. The use of probabilistic machine learning models
under a Bayesian framework provides a way to quantify uncertainty in results
and provide a natural framework of interpretability of the model. Here we
introduce a Bayesian approach to surface reconstruction of cardiac chamber
models from a sparse 3D point cloud data acquired during electroanatomical
mapping. We show how probabilistic graphical models trained on segmented CT/MRI
data can be used to generate cardiac chamber models from few acquired locations
thereby reducing procedure time and x-ray exposure. We show how they provide
insight into what the neural network learns from the segmented CT/MRI images
used to train the network, which provides explainability to the resulting
cardiac chamber models generated by the model.
- Abstract（参考訳）: 電気解剖学的マッピング(Electroanatomical mapping)は、心臓の電気活動の詳細な3Dマップを作成するために心臓学で用いられる技法である。
心房細動のように不整脈を治療するための心臓アブレーション術の診断、治療計画、リアルタイム指導に有用である。
心臓のct/mriスキャンのライブラリでトレーニングされた確率的機械学習モデルは、電気解剖学的マッピング中に使用でき、患者固有の室内の3dモデルを生成することができる。
ベイズフレームワークに基づく確率的機械学習モデルの使用は、結果の不確実性を定量化し、モデルの解釈可能性の自然な枠組みを提供する。
本稿では,電気解剖学的マッピングにより得られた疎3d点雲データから,心室モデルの表面再構成に対するベイズ的アプローチを提案する。
胸部CT/MRIデータに基づいてトレーニングした確率的グラフィカルモデルを用いて, 心室モデルを生成することにより, 手術時間とX線被曝を低減できることを示す。
ニューラルネットワークがネットワークを訓練するために使用されるセグメント化されたct/mri画像から学習する知見を提供する方法を示し,モデルによって生成された心室モデルに対する説明可能性を示す。
関連論文リスト
- Intraoperative Registration by Cross-Modal Inverse Neural Rendering [61.687068931599846]
クロスモーダル逆ニューラルレンダリングによる神経外科手術における術中3D/2Dレジストレーションのための新しいアプローチを提案する。
本手法では,暗黙の神経表現を2つの構成要素に分離し,術前および術中における解剖学的構造について検討した。
臨床症例の振り返りデータを用いて本法の有効性を検証し,現在の登録基準を満たした状態での最先端の検査成績を示した。
論文 参考訳（メタデータ） (2024-09-18T13:40:59Z) - Probabilistic learning of the Purkinje network from the
electrocardiogram [0.0]
非侵襲的臨床データからPurkinjeネットワークを同定するための確率論的アプローチを提案する。
心電図を用いて解剖学的に正確な心室モデルを構築した。
生理的心電図を高速モデルでシミュレートする。
論文 参考訳（メタデータ） (2023-12-15T15:34:29Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-01T10:10:46Z) - 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) - Deep Learning-based Prediction of Electrical Arrhythmia Circuits from
Cardiac Motion: An In-Silico Study [4.751438180388347]
心電気生理学において、第一の診断目標は、心リズム障害の電気的引き金やドライバを特定することである。
現在、心臓全体の電気波の3次元形態をマッピングすることは不可能である。
ここでは、心室変形力学から3次元波動を予測できることをコンピュータシミュレーションで示す。
論文 参考訳（メタデータ） (2023-05-13T02:16:40Z) - Validated respiratory drug deposition predictions from 2D and 3D medical
images with statistical shape models and convolutional neural networks [47.187609203210705]
患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。
2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
論文 参考訳（メタデータ） (2023-03-02T07:47:07Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳（メタデータ） (2021-11-24T01:14:33Z) - The interpretation of endobronchial ultrasound image using 3D
convolutional neural network for differentiating malignant and benign
mediastinal lesions [3.0969191504482247]
本研究の目的は,内胚葉超音波(EBUS)画像を用いて悪性病変と良性病変を鑑別することである。
我々のモデルはノイズに耐性があり、EBUSビデオの様々な画像特徴と願望を融合させることができる。
論文 参考訳（メタデータ） (2021-07-29T08:38:17Z) - 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) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z) - Modelling the Distribution of 3D Brain MRI using a 2D Slice VAE [66.63629641650572]
本研究では,2次元スライスVAEとガウスモデルを組み合わせた3次元MR脳の体積分布をモデル化する手法を提案する。
また,本研究では,脳解剖学に適合するセグメンテーションの精度を定量的に評価する新たなボリューム評価手法を提案する。
論文 参考訳（メタデータ） (2020-07-09T13:23:15Z)
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。