論文の概要: Signed Distance Field based Segmentation and Statistical Shape Modelling of the Left Atrial Appendage

• arxiv url: http://arxiv.org/abs/2402.07708v1
• Date: Mon, 12 Feb 2024 15:21:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-13 13:54:59.850088
• Title: Signed Distance Field based Segmentation and Statistical Shape Modelling of the Left Atrial Appendage
• Title（参考訳）: 左心房細動のサイン付き距離場に基づくセグメンテーションと統計的形状モデリング
• Authors: Kristine Aavild Juhl, Jakob Slipsager, Ole de Backer, Klaus Kofoed, Oscar Camara and Rasmus Paulsen
• Abstract要約: 心房細動の患者は虚血性脳梗塞のリスクを5〜7倍に高める。 血栓局在の最も一般的な部位は左心房補助 (LAA) 内である 研究により、LAAの形状と虚血性脳卒中リスクの相関が示されている。
• 参考スコア（独自算出の注目度）: 0.13431733228151765
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Patients with atrial fibrillation have a 5-7 fold increased risk of having an ischemic stroke. In these cases, the most common site of thrombus localization is inside the left atrial appendage (LAA) and studies have shown a correlation between the LAA shape and the risk of ischemic stroke. These studies make use of manual measurement and qualitative assessment of shape and are therefore prone to large inter-observer discrepancies, which may explain the contradictions between the conclusions in different studies. We argue that quantitative shape descriptors are necessary to robustly characterize LAA morphology and relate to other functional parameters and stroke risk. Deep Learning methods are becoming standardly available for segmenting cardiovascular structures from high resolution images such as computed tomography (CT), but only few have been tested for LAA segmentation. Furthermore, the majority of segmentation algorithms produces non-smooth 3D models that are not ideal for further processing, such as statistical shape analysis or computational fluid modelling. In this paper we present a fully automatic pipeline for image segmentation, mesh model creation and statistical shape modelling of the LAA. The LAA anatomy is implicitly represented as a signed distance field (SDF), which is directly regressed from the CT image using Deep Learning. The SDF is further used for registering the LAA shapes to a common template and build a statistical shape model (SSM). Based on 106 automatically segmented LAAs, the built SSM reveals that the LAA shape can be quantified using approximately 5 PCA modes and allows the identification of two distinct shape clusters corresponding to the so-called chicken-wing and non-chicken-wing morphologies.
• Abstract（参考訳）: 心房細動の患者は虚血性脳梗塞のリスクを5〜7倍に高める。 これらの症例では、血栓局在の最も一般的な部位は左心房細動 (LAA) 内であり、LAAの形状と虚血性脳卒中リスクとの相関が示されている。 これらの研究は、手動による形状測定と定性的評価を利用しており、そのため、異なる研究における結論の矛盾を説明できる大規模なサーバ間差が生じやすい。 定量的形状記述子は,LAA形態を強く特徴付け,他の機能パラメータや脳卒中リスクと関連付ける必要がある。 深層学習法はCT(Computed tomography)などの高分解能画像から心血管構造を抽出するための標準的手法となっているが,LAAセグメンテーションではごくわずかしかテストされていない。 さらに、セグメンテーションアルゴリズムの大部分は、統計形状解析や計算流体モデリングなど、さらなる処理に理想的でない非スムース3dモデルを生成する。 本稿では,画像分割,メッシュモデル作成,laaの統計的形状モデリングのための完全自動パイプラインを提案する。 LAA解剖学は署名距離場(SDF)として暗黙的に表現され、Deep Learningを用いてCT画像から直接回帰する。 SDFはさらに、LAA形状を共通のテンプレートに登録し、統計形状モデル(SSM)を構築するために使われる。 106個の自動区分けされたLAAに基づいて、構築されたSSMは、LAA形状を約5つのPCAモードで定量化することができ、いわゆるチキンウィングと非チキンウィングの形態に対応する2つの異なる形状クラスターを識別できることを示した。

関連論文リスト

• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• Contrast-agent-induced deterministic component of CT-density in the abdominal aorta during routine angiography: proof of concept study [0.0]
  血管内のコントラスト剤の動的挙動を記述するモデルを構築した。 特定の研究の診断値の増大とCTデータ処理ツールの改善に有用である。
  論文  参考訳（メタデータ） (2023-10-31T07:59:57Z)
• 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)
• 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)
• Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI [36.044984400761535]
  本研究は,CVD分類のための軽量な逐次サブスペース学習フレームワークを提案する。 解釈可能なフィードフォワードデザインに基づいており、心房と組み合わせている。 3D CNNベースのアプローチと比較して、我々のフレームワークは140$times$より少ないパラメータで優れた分類性能を実現する。
  論文  参考訳（メタデータ） (2023-01-21T15:00:59Z)
• Spatiotemporal Cardiac Statistical Shape Modeling: A Data-Driven Approach [0.0]
  粒子ベース形状モデリング(PSM)は、個体群レベルの形状変化を捉えたデータ駆動型手法である。 本稿では,PSM法にインスパイアされたデータ駆動型手法を提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:00:45Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Shape Constrained CNN for Cardiac MR Segmentation with Simultaneous Prediction of Shape and Pose Parameters [0.5249805590164902]
  統計的形状モデルから得られたポーズパラメータと形状パラメータの回帰により,LVと心筋セグメンテーションを行う。 トレーニング中に分割距離マップを同時に構築することにより,形状の頑健さとポーズの予測を行う。 この方法はLVQuan18とLVQuan19の公開データセットで検証され、最先端の結果を得た。
  論文  参考訳（メタデータ） (2020-10-18T09:51:04Z)

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。