Fugu-MT 論文翻訳(概要): Direct Cardiac Segmentation from Undersampled K-space Using Transformers

論文の概要: Direct Cardiac Segmentation from Undersampled K-space Using Transformers

arxiv url: http://arxiv.org/abs/2406.00192v1
Date: Fri, 31 May 2024 20:54:12 GMT
ステータス: 処理完了
システム内更新日: 2024-06-06 08:13:57.259270
Title: Direct Cardiac Segmentation from Undersampled K-space Using Transformers
Title（参考訳）: 変圧器を用いたアンダーサンプルK空間からの直接心分離
Authors: Yundi Zhang, Nil Stolt-Ansó, Jiazhen Pan, Wenqi Huang, Kerstin Hammernik, Daniel Rueckert,
Abstract要約: 変換器(DiSK)を用いたスパースk空間サンプルから分割を導出する新しい手法を提案する。我々のモデルは、示されるすべてのサンプリングレートに対して、Dice と Hausdorff の距離の基底線を常に上回る。
参考スコア（独自算出の注目度）: 10.079819435628579
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The prevailing deep learning-based methods of predicting cardiac segmentation involve reconstructed magnetic resonance (MR) images. The heavy dependency of segmentation approaches on image quality significantly limits the acceleration rate in fast MR reconstruction. Moreover, the practice of treating reconstruction and segmentation as separate sequential processes leads to artifact generation and information loss in the intermediate stage. These issues pose a great risk to achieving high-quality outcomes. To leverage the redundant k-space information overlooked in this dual-step pipeline, we introduce a novel approach to directly deriving segmentations from sparse k-space samples using a transformer (DiSK). DiSK operates by globally extracting latent features from 2D+time k-space data with attention blocks and subsequently predicting the segmentation label of query points. We evaluate our model under various acceleration factors (ranging from 4 to 64) and compare against two image-based segmentation baselines. Our model consistently outperforms the baselines in Dice and Hausdorff distances across foreground classes for all presented sampling rates.
Abstract（参考訳）: 心臓のセグメンテーションを予測するためのディープラーニングベースの手法は、再構成された磁気共鳴(MR)画像を含む。画像品質に対するセグメンテーションアプローチの重い依存性は、高速MR再構成における加速速度を著しく制限する。さらに、再構成と分割を個別の逐次的プロセスとして扱うという実践は、中間段階におけるアーティファクトの生成と情報損失につながる。これらの問題は、高品質な成果を達成する上で大きなリスクをもたらします。このデュアルステップパイプラインで見落とされた冗長なk空間情報を活用するために、トランスフォーマー(DiSK)を用いてスパースk空間サンプルからセグメントを直接抽出する新しいアプローチを導入する。 DiSKは2D+時間k空間データからグローバルに遅延特徴を注目ブロックで抽出し、クエリポイントのセグメンテーションラベルを予測する。様々な加速度因子(4から64の範囲)でモデルを評価し,2つのイメージベースセグメンテーションベースラインと比較した。我々のモデルは、示されるすべてのサンプリングレートに対して、Dice と Hausdorff の距離の基底線を常に上回る。

関連論文リスト

GCCRR: A Short Sequence Gait Cycle Segmentation Method Based on Ear-Worn IMU [3.2428847882267404]
本稿では,耳鳴りIMUの短いシーケンスを用いた歩行周期のセグメンテーションの重要課題について述べる。歩行特性曲線回帰再生法 (GCCRR) を導入する。提案手法では,Bi-LSTMに基づく深層学習アルゴリズムを用いて,短い歩数列に対して信頼性の高いセグメンテーションを実現する。
論文参考訳（メタデータ） (2024-09-02T07:00:34Z)
CAMP-Net: Consistency-Aware Multi-Prior Network for Accelerated MRI Reconstruction [4.967600587813224]
k空間データをMRIでアンサンプすることでスキャン時間が短縮されるが、画像再構成において課題が生じる。 CAMP-Net は,MRI の高速化のためのアンロール型 Consistency-Aware Multi-Prior Network を提案する。
論文参考訳（メタデータ） (2023-06-20T02:21:45Z)
Neural Implicit k-Space for Binning-free Non-Cartesian Cardiac MR Imaging [10.106969728359156]
我々は、心電図をトリガーした非カルテシアン心磁図(CMR)のためのk空間におけるニューラル暗示表現を学習する新しい画像再構成フレームワークを提案する。我々は,各サンプルk-空間点に時間,コイル指数,周波数領域位置からなる一意座標を割り当てる。次に、周波数領域正則化を持つ多層パーセプトロンを用いて、これらのユニークな座標からk空間強度への対象固有写像を学習する。
論文参考訳（メタデータ） (2022-12-16T13:46:17Z)
FCN-Transformer Feature Fusion for Polyp Segmentation [12.62213319797323]
大腸内視鏡は大腸癌の早期発見のための金標準法として広く認められている。大腸内視鏡画像におけるポリープのマニュアルセグメンテーションは時間を要する。ポリプセグメンテーションの自動化におけるディープラーニングの利用が重要になっている。
論文参考訳（メタデータ） (2022-08-17T15:31:06Z)
Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文参考訳（メタデータ） (2022-06-28T12:43:38Z)
Residual Moment Loss for Medical Image Segmentation [56.72261489147506]
位置情報は,対象物体の多様体構造を捉えた深層学習モデルに有効であることが証明された。既存のほとんどの手法は、ネットワークが学習するために、位置情報を暗黙的にエンコードする。セグメント化対象の位置情報を明示的に埋め込むために,新しい損失関数,すなわち残差モーメント(RM)損失を提案する。
論文参考訳（メタデータ） (2021-06-27T09:31:49Z)
InverseForm: A Loss Function for Structured Boundary-Aware Segmentation [80.39674800972182]
逆変換ネットワークを用いたセマンティックセグメンテーションのための新しい境界認識損失項を提案する。このプラグイン損失項は境界変換の捕捉におけるクロスエントロピー損失を補完する。室内および屋外のセグメンテーションベンチマークにおける損失関数の定量的および定性的効果を解析した。
論文参考訳（メタデータ） (2021-04-06T18:52:45Z)
A persistent homology-based topological loss function for multi-class CNN segmentation of cardiac MRI [7.993897173085253]
可能なラベルとラベルペアをすべて考慮し,より豊かなセグメンテーショントポロジの記述を構築する。これらのトポロジカル事前は、ACDC短軸CMRトレーニングデータセットから150個のサンプルのサブセットで全てのトポロジカルエラーを解決することができる。
論文参考訳（メタデータ） (2020-08-21T17:09:13Z)
MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文参考訳（メタデータ） (2020-05-15T10:37:02Z)
Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet Frames for Image Segmentation [152.609322951917]
そこで我々は,厳密なウェーブレットフレーム変換と形態的再構成操作を組み込むことで,Kulback-Leibler (KL) 発散に基づくFuzzy C-Means (FCM) アルゴリズムを考案した。提案アルゴリズムはよく機能し、他の比較アルゴリズムよりもセグメンテーション性能が優れている。
論文参考訳（メタデータ） (2020-02-21T05:19:10Z)
Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet frames [146.63177174491082]
Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
論文参考訳（メタデータ） (2020-02-14T10:00:03Z)

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。