論文の概要: Crop and Couple: cardiac image segmentation using interlinked specialist networks

• arxiv url: http://arxiv.org/abs/2402.09156v1
• Date: Wed, 14 Feb 2024 13:14:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-15 15:29:11.979900
• Title: Crop and Couple: cardiac image segmentation using interlinked specialist networks
• Title（参考訳）: Crop and Couple: Interlinked Special Network を用いた心臓画像分割
• Authors: Abbas Khan, Muhammad Asad, Martin Benning, Caroline Roney, Gregory Slabaugh
• Abstract要約: 本稿では,単一解剖学に焦点を当てた専門的ネットワークを用いてセグメンテーションを行う新しい戦略を提案する。 入力長軸心MR画像から、第1段階で第3次分割を行い、これらの解剖学的領域を同定する。 専門家ネットワークは、異なる解剖学の特徴を相互に関連付けるための注意機構を介して結合される。
• 参考スコア（独自算出の注目度）: 0.5452923068355806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diagnosis of cardiovascular disease using automated methods often relies on the critical task of cardiac image segmentation. We propose a novel strategy that performs segmentation using specialist networks that focus on a single anatomy (left ventricle, right ventricle, or myocardium). Given an input long-axis cardiac MR image, our method performs a ternary segmentation in the first stage to identify these anatomical regions, followed by cropping the original image to focus subsequent processing on the anatomical regions. The specialist networks are coupled through an attention mechanism that performs cross-attention to interlink features from different anatomies, serving as a soft relative shape prior. Central to our approach is an additive attention block (E-2A block), which is used throughout our architecture thanks to its efficiency.
• Abstract（参考訳）: 自動手法による心血管疾患の診断は、しばしば心臓画像分割の重要な課題に依存する。 一つの解剖学(左室、右心室、または心筋)に焦点を当てた専門ネットワークを用いてセグメンテーションを行う新しい戦略を提案する。 入力長軸心MR画像から, 解剖学的領域の同定に第1段階の3次セグメンテーションを行い, その後, 原画像の抽出を行い, その後の処理を解剖学的領域に集中させる。 専門家ネットワークは、異なる解剖学的特徴を相互に関連付けるための注意機構を通じて結合され、それ以前の軟らかい相対的な形状として機能する。 私たちのアプローチの中心は付加的なアテンションブロック(E-2Aブロック)です。

関連論文リスト

• A Comparative Analysis of U-Net-based models for Segmentation of Cardiac MRI [0.0]
  本稿では,心臓短軸MRI(Magnetic Resonance Imaging)画像のセマンティックセグメンテーションにおけるディープラーニング手法の適用について検討する。 焦点は、U-Netの派生品である様々なアーキテクチャの実装に焦点を当て、包括的な解剖学的および機能解析のために心臓の特定の部分を効果的に分離することである。
  論文  参考訳（メタデータ） (2024-01-18T13:51:20Z)
• Region-based Contrastive Pretraining for Medical Image Retrieval with Anatomic Query [56.54255735943497]
  医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR) 医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
  論文  参考訳（メタデータ） (2023-05-09T16:46:33Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• Cardiac Adipose Tissue Segmentation via Image-Level Annotations [8.705311618392368]
  我々は,ヒト心基質のCT画像に画像レベルのアノテーションを用いた心脂肪組織分画のための2段階の深層学習フレームワークを開発した。 本研究は, 自動組織解析の需要と高品質な画素アノテーションの欠如とのギャップを埋めるものである。
  論文  参考訳（メタデータ） (2022-06-09T02:55:35Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• Automatic Identification of the End-Diastolic and End-Systolic Cardiac Frames from Invasive Coronary Angiography Videos [6.203906656404265]
  侵襲的冠動脈造影検査において, エンド拡張期(ED)とエンド収縮期(ES)の適切な画像フレームの同定が重要である。 現在の識別法は主に視覚的解釈に依存しており、時間だけでなく再現性も低い。 そこで本研究では,鍵血管点の軌跡を用いて,EDとESの心期に関連する血管画像フレームを自動的に同定する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-06T15:16:55Z)
• Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
  心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。 これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。 形状と境界認識機能を利用する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-27T13:54:59Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Anatomy Prior Based U-net for Pathology Segmentation with Attention [11.266069499113966]
  本稿では,U-netセグメンテーションネットワークとアテンション手法を組み合わせた,解剖学的事前ベースフレームワークを提案する。 本研究では, 心筋と心筋梗塞と非リフロー領域の包含関係を評価するため, 近所のペナルティ戦略を提案する。 その結果,本フレームワークは病理領域のセグメンテーションに有効であることが示唆された。
  論文  参考訳（メタデータ） (2020-11-17T16:52:29Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。