論文の概要: CardioSpectrum: Comprehensive Myocardium Motion Analysis with 3D Deep Learning and Geometric Insights
- arxiv url: http://arxiv.org/abs/2407.03794v2
- Date: Thu, 07 Nov 2024 15:56:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-08 19:36:10.689317
- Title: CardioSpectrum: Comprehensive Myocardium Motion Analysis with 3D Deep Learning and Geometric Insights
- Title（参考訳）: CardioSpectrum:3Dディープラーニングと幾何学的インサイトを用いた総合心筋運動解析
- Authors: Shahar Zuler, Shai Tejman-Yarden, Dan Raviv,
- Abstract要約: 従来のニューラルネットワークは微妙な接尾辞の動きを予測するのが難しい。
この問題に対処するための包括的アプローチを提案する。
私たちの3Dディープラーニングアーキテクチャは、ARFlowモデルに基づいて、複雑な3Dモーション分析タスクに最適化されています。
- 参考スコア（独自算出の注目度）: 6.415915756409993
- License:
- Abstract: The ability to map left ventricle (LV) myocardial motion using computed tomography angiography (CTA) is essential to diagnosing cardiovascular conditions and guiding interventional procedures. Due to their inherent locality, conventional neural networks typically have difficulty predicting subtle tangential movements, which considerably lessens the level of precision at which myocardium three-dimensional (3D) mapping can be performed. Using 3D optical flow techniques and Functional Maps (FMs), we present a comprehensive approach to address this problem. FMs are known for their capacity to capture global geometric features, thus providing a fuller understanding of 3D geometry. As an alternative to traditional segmentation-based priors, we employ surface-based two-dimensional (2D) constraints derived from spectral correspondence methods. Our 3D deep learning architecture, based on the ARFlow model, is optimized to handle complex 3D motion analysis tasks. By incorporating FMs, we can capture the subtle tangential movements of the myocardium surface precisely, hence significantly improving the accuracy of 3D mapping of the myocardium. The experimental results confirm the effectiveness of this method in enhancing myocardium motion analysis. This approach can contribute to improving cardiovascular diagnosis and treatment. Our code and additional resources are available at: https://shaharzuler.github.io/CardioSpectrumPage
- Abstract（参考訳）: 左心室 (LV) 運動をCTアンギオグラフィー (CTA) を用いてマッピングすることは, 心血管疾患の診断と介入手順の導出に不可欠である。
従来のニューラルネットワークは局所性が高いため、微妙な接点運動を予測するのが困難であり、心筋の3次元マッピングの精度を大幅に低下させる。
3次元光フロー技術とFM(Functional Maps)を用いて,この問題に対処する包括的アプローチを提案する。
FMは地球規模の幾何学的特徴を捉える能力で知られており、3次元幾何学の理解を深めている。
従来のセグメンテーションに基づく先行手法の代替として、スペクトル対応法から導かれる曲面ベース2次元(2次元)制約を用いる。
私たちの3Dディープラーニングアーキテクチャは、ARFlowモデルに基づいて、複雑な3Dモーション分析タスクに最適化されています。
FMを取り入れることで、心筋表面の微妙な運動を正確に捉え、心筋の3次元マッピングの精度を大幅に向上させることができる。
実験により, 心筋運動解析における本法の有効性が確認された。
このアプローチは、心血管疾患の診断と治療の改善に寄与する。
私たちのコードと追加のリソースは、https://shaharzuler.github.io/CardioSpectrumPage.comで利用可能です。
関連論文リスト
- R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。
本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文 参考訳（メタデータ） (2024-05-31T08:39:02Z) - MM3DGS SLAM: Multi-modal 3D Gaussian Splatting for SLAM Using Vision, Depth, and Inertial Measurements [59.70107451308687]
カメラ画像と慣性測定による地図表現に3Dガウスアンを用いることで、精度の高いSLAMが実現できることを示す。
我々の手法であるMM3DGSは、より高速なスケール認識と軌道追跡の改善により、事前レンダリングの限界に対処する。
また,カメラと慣性測定ユニットを備えた移動ロボットから収集したマルチモーダルデータセットUT-MMもリリースした。
論文 参考訳（メタデータ） (2024-04-01T04:57:41Z) - Continuous 3D Myocardial Motion Tracking via Echocardiography [30.19879953016694]
心筋運動追跡は、心臓血管疾患の予防と検出に不可欠な臨床ツールである。
現在の技術は、空間次元と時間次元の両方において、心筋の不完全かつ不正確な運動推定に悩まされている。
本稿では, 心臓の3次元構造と包括的6次元前/後方運動をモデル化するためのニューラル心運動場(ニューラルCMF)について紹介する。
論文 参考訳（メタデータ） (2023-10-04T13:11:20Z) - DeepMesh: Mesh-based Cardiac Motion Tracking using Deep Learning [13.289561121562057]
心臓機能評価と心血管疾患の診断には,CMR画像からの3次元運動推定が重要である。
本研究では,心内膜および心内膜からなる3次元メッシュとして心臓をモデル化する。
本稿では,テンプレート型心臓メッシュを対象空間に伝播させる新しい学習フレームワークDeepMeshを提案し,各被験者のCMR画像から心臓メッシュの3次元運動を推定する。
論文 参考訳（メタデータ） (2023-09-25T17:24:18Z) - Mesh-based 3D Motion Tracking in Cardiac MRI using Deep Learning [11.177851736773823]
心臓機能評価と心血管疾患の診断には, 心臓磁気共鳴(CMR)画像からの3次元運動推定が重要である。
従来の手法のほとんどは、フルイメージ空間における画素/ボクセルの運動場の推定に重点を置いていた。
本研究では、心臓を3次元幾何メッシュとしてモデル化し、2次元短軸CMR画像から心臓メッシュの3次元運動を推定できる新しいディープラーニングベースの手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T15:10:27Z) - MulViMotion: Shape-aware 3D Myocardial Motion Tracking from Multi-View
Cardiac MRI [11.685829837689404]
心臓の連続した3次元運動場を学習するためのマルチビューモーション推定ネットワーク(MulViMotion)を提案する。
左室心筋の3次元運動追跡のための英国バイオバンク研究の580名の被験者から得られた2D cine CMR画像に対する提案手法を広範に評価した。
論文 参考訳（メタデータ） (2022-07-29T18:29:52Z) - DeepRecon: Joint 2D Cardiac Segmentation and 3D Volume Reconstruction
via A Structure-Specific Generative Method [12.26150675728958]
本稿では,複数の臨床的に不可欠な結果を生成する,エンドツーエンドの潜在空間ベースのフレームワークであるDeepReconを提案する。
本手法は,心構造に対する正確な意味情報を含むシネ画像の最適潜時表現を同定する。
特に,本モデルでは,正確な意味情報と心構造のセグメンテーションを併用して合成画像を生成する。
論文 参考訳（メタデータ） (2022-06-14T20:46:11Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。
データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
論文 参考訳（メタデータ） (2020-09-01T19:17:46Z) - Cephalometric Landmark Regression with Convolutional Neural Networks on
3D Computed Tomography Data [68.8204255655161]
側方X線写真におけるケパロメトリ解析では, 横面への投射による3次元物体の構造を十分に利用していない。
本稿では,3次元畳み込みニューラルネットワーク(CNN)を用いたキーポイント回帰法について述べる。
本研究は,Frankfort Horizontal および cephalometric points の位置推定において,提案手法を広く評価し,その効果を実証した。
論文 参考訳（メタデータ） (2020-07-20T12:45:38Z) - AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement
with Neural Searching [76.4844593082362]
既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。
総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
論文 参考訳（メタデータ） (2020-04-26T05:43:21Z)
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。