Fugu-MT 論文翻訳(概要): P-Mamba: Marrying Perona Malik Diffusion with Mamba for Efficient Pediatric Echocardiographic Left Ventricular Segmentation

論文の概要: P-Mamba: Marrying Perona Malik Diffusion with Mamba for Efficient Pediatric Echocardiographic Left Ventricular Segmentation

arxiv url: http://arxiv.org/abs/2402.08506v3
Date: Mon, 24 Jun 2024 10:24:14 GMT
ステータス: 処理完了
システム内更新日: 2024-06-26 02:01:18.158772
Title: P-Mamba: Marrying Perona Malik Diffusion with Mamba for Efficient Pediatric Echocardiographic Left Ventricular Segmentation
Title（参考訳）: P-Mamba : 心エコー心エコー法による心室分離術におけるP-MambaとP-Mambaの併用
Authors: Zi Ye, Tianxiang Chen, Fangyijie Wang, Hanwei Zhang, Lijun Zhang,
Abstract要約: P-Mambaを導入し,Mixture of Experts(MoE)の概念を統合し,小児心エコー左室セグメンテーションの効率化を図る。具体的には、視覚マンバから最近提案したViM層を利用して、モデルの計算およびメモリ効率を向上する。提案するP-Mambaは,PMDのノイズ抑圧と局所特徴抽出機能と,グローバル依存性モデリングのためのMambaの効率的な設計を革新的に組み合わせている。
参考スコア（独自算出の注目度）: 14.110404951048688
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In pediatric cardiology, the accurate and immediate assessment of cardiac function through echocardiography is crucial since it can determine whether urgent intervention is required in many emergencies. However, echocardiography is characterized by ambiguity and heavy background noise interference, causing more difficulty in accurate segmentation. Present methods lack efficiency and are prone to mistakenly segmenting some background noise areas, such as the left ventricular area, due to noise disturbance. To address these issues, we introduce P-Mamba, which integrates the Mixture of Experts (MoE) concept for efficient pediatric echocardiographic left ventricular segmentation. Specifically, we utilize the recently proposed ViM layers from the vision mamba to enhance our model's computational and memory efficiency while modeling global dependencies.In the DWT-based Perona-Malik Diffusion (PMD) Block, we devise a PMD Block for noise suppression while preserving the left ventricle's local shape cues. Consequently, our proposed P-Mamba innovatively combines the PMD's noise suppression and local feature extraction capabilities with Mamba's efficient design for global dependency modeling. We conducted segmentation experiments on two pediatric ultrasound datasets and a general ultrasound dataset, namely Echonet-dynamic, and achieved state-of-the-art (SOTA) results. Leveraging the strengths of the P-Mamba block, our model demonstrates superior accuracy and efficiency compared to established models, including vision transformers with quadratic and linear computational complexity.
Abstract（参考訳）: 小児心疾患では,緊急介入が必要かどうかを判断できるため,心エコー法による心機能の正確かつ即時評価が重要である。しかし、心エコー検査は曖昧さと背景雑音の干渉が特徴であり、正確なセグメンテーションが困難である。現在の手法では効率性が欠如しており、ノイズ障害により左室領域などの背景ノイズ領域を誤って分割する傾向にある。これらの課題に対処するため,小児心エコー図左室分画の効率化を目的としたMixture of Experts(MoE)の概念を取り入れたP-Mambaを導入する。具体的には、視覚マンバから最近提案されたViMレイヤを用いて、グローバル依存をモデル化しながらモデル計算とメモリ効率を向上させる。DWTベースのPerona-Malik Diffusion (PMD) Blockでは、左室の局所的な形状を保ちながらノイズ抑制のためのPMDブロックを考案する。その結果,提案するP-Mambaは,PMDのノイズ抑圧と局所特徴抽出機能と,グローバル依存性モデリングのためのMambaの効率的な設計を革新的に組み合わせている。本研究では,2つの小児超音波データセットと一般超音波データセット,すなわちEchonet-dynamicのセグメンテーション実験を行い,SOTA(State-of-the-art)の結果を得た。 P-Mambaブロックの強みを生かして、2次および線形計算複雑性を持つ視覚変換器を含む、確立されたモデルと比較して精度と効率が優れていることを示す。

関連論文リスト

PGDiffSeg: Prior-Guided Denoising Diffusion Model with Parameter-Shared Attention for Breast Cancer Segmentation [15.90226610791458]
早期発見は乳癌による高い死亡率の軽減に不可欠である。低解像度・高ノイズの医用画像から腫瘍を見つけることは極めて困難である。本稿では,乳がん画像分割に拡散復調法を適用した新しいPGDiffSegを提案する。
論文参考訳（メタデータ） (2024-10-23T12:17:03Z)
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)
Unveiling Incomplete Modality Brain Tumor Segmentation: Leveraging Masked Predicted Auto-Encoder and Divergence Learning [6.44069573245889]
脳腫瘍のセグメンテーションは、特にマルチモーダルMRI(Multi-modal magnetic resonance imaging)における重要な課題である。本稿では,不完全なモダリティデータから頑健な特徴学習を可能にする,マスク付き予測事前学習方式を提案する。微調整段階において、我々は知識蒸留技術を用いて、完全なモダリティデータと欠落したモダリティデータの間に特徴を整列させ、同時にモデルロバスト性を向上する。
論文参考訳（メタデータ） (2024-06-12T20:35:16Z)
CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
Uncertainty-driven and Adversarial Calibration Learning for Epicardial Adipose Tissue Segmentation [12.748840107754337]
心膜脂肪組織(EAT)は、大量のアディポカインを分泌し心筋や冠動脈に影響を及ぼすことのできる内臓脂肪の一種である。より正確なEATボリューム推定のためのセグメンテーションを強化するために,不確実性駆動・対角校正学習を備えた新しい特徴量空間多レベル監視ネットワーク(SPDNet)を提案する。
論文参考訳（メタデータ） (2024-02-22T07:39:41Z)
Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文参考訳（メタデータ） (2024-01-17T07:54:49Z)
Semantic-aware Temporal Channel-wise Attention for Cardiac Function Assessment [69.02116920364311]
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。
論文参考訳（メタデータ） (2023-10-09T05:57:01Z)
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)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
Left Ventricular Wall Motion Estimation by Active Polynomials for Acute Myocardial Infarction Detection [18.93271742586598]
本稿では, 左室壁の大域的運動を, 頑健かつ正確な方法で正確に推定できる新しい手法であるActive Polynomialsを提案する。提案アルゴリズムは,急性MIの早期診断を支援するために,LV壁セグメントに発生する真の壁運動を定量化する。
論文参考訳（メタデータ） (2020-08-11T10:29:22Z)
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。