論文の概要: Classification, Regression and Segmentation directly from k-Space in Cardiac MRI
- arxiv url: http://arxiv.org/abs/2407.20108v1
- Date: Mon, 29 Jul 2024 15:35:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 13:15:14.426247
- Title: Classification, Regression and Segmentation directly from k-Space in Cardiac MRI
- Title（参考訳）: 心臓MRIにおけるk空間からの分類・回帰・分節
- Authors: Ruochen Li, Jiazhen Pan, Youxiang Zhu, Juncheng Ni, Daniel Rueckert,
- Abstract要約: 我々は,k空間データを直接処理するためのトランスフォーマーモデルであるKMAEを提案する。
KMAEは、重要な心臓疾患の分類、関連する表現型回帰、および心臓セグメンテーションタスクを扱うことができる。
心臓MRIにおけるk-space-based diagnosisの可能性について検討した。
- 参考スコア（独自算出の注目度）: 11.690226907936903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiac Magnetic Resonance Imaging (CMR) is the gold standard for diagnosing cardiovascular diseases. Clinical diagnoses predominantly rely on magnitude-only Digital Imaging and Communications in Medicine (DICOM) images, omitting crucial phase information that might provide additional diagnostic benefits. In contrast, k-space is complex-valued and encompasses both magnitude and phase information, while humans cannot directly perceive. In this work, we propose KMAE, a Transformer-based model specifically designed to process k-space data directly, eliminating conventional intermediary conversion steps to the image domain. KMAE can handle critical cardiac disease classification, relevant phenotype regression, and cardiac morphology segmentation tasks. We utilize this model to investigate the potential of k-space-based diagnosis in cardiac MRI. Notably, this model achieves competitive classification and regression performance compared to image-domain methods e.g. Masked Autoencoders (MAEs) and delivers satisfactory segmentation performance with a myocardium dice score of 0.884. Last but not least, our model exhibits robust performance with consistent results even when the k-space is 8* undersampled. We encourage the MR community to explore the untapped potential of k-space and pursue end-to-end, automated diagnosis with reduced human intervention.
- Abstract（参考訳）: 心臓磁気共鳴イメージング(英: Cardiac Magnetic Resonance Imaging, CMR)は、心臓血管疾患の診断における金の標準である。
臨床診断は主に大きさのみのDigital Imaging and Communications in Medicine (DICOM)画像に依存しており、診断上の利点をもたらす重要な位相情報を省略している。
対照的に、k空間は複雑に評価され、大きさと位相情報の両方を包含するが、人間は直接知覚できない。
そこで本研究では,k空間データを直接処理するトランスフォーマーモデルであるKMAEを提案する。
KMAEは、心疾患の分類、関連する表現型回帰、および心臓形態分類タスクを扱うことができる。
心臓MRIにおけるk-space-based diagnosisの可能性について検討した。
特に,このモデルでは,Masked Autoencoders (MAE) などの画像領域法と比較して,競合的な分類と回帰性能を実現し,心筋ディススコア0.884で良好なセグメンテーション性能を実現する。
最後に、我々のモデルは、k-空間が8*アンサンプされた場合でも、一貫した結果で頑健な性能を示す。
我々はMRコミュニティに対して、k空間の未解決の可能性を探り、人間の介入を減らしてエンドツーエンドで自動診断を追求することを奨励する。
関連論文リスト
- CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Towards Enabling Cardiac Digital Twins of Myocardial Infarction Using
Deep Computational Models for Inverse Inference [6.447210290674733]
シミュレーションされたQRSから脳梗塞の位置と分布を推定するために,二分岐変分オートエンコーダと推論モデルからなる新しい深部計算モデルを提案する。
感度分析により、脳梗塞の特徴と電気生理学的特徴との複雑な関係の理解が促進される。
論文 参考訳（メタデータ） (2023-07-10T08:54:12Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z) - Predicting Ejection Fraction from Chest X-rays Using Computer Vision for
Diagnosing Heart Failure [8.955986135184375]
Ejection fraction (EF) は心不全の診断と管理のための重要な指標である。
胸部X線(CXR)は迅速で安価であり、専門知識は少ないが、EFを推定するのに十分な情報を提供していない。
本研究は,CXRのみからEFの低減を予測するためのコンピュータビジョン技術の有効性について検討する。
論文 参考訳（メタデータ） (2022-12-19T21:18:27Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining
Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。
myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。
この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
論文 参考訳（メタデータ） (2022-01-10T06:37:23Z) - Segmentation of Cardiac Structures via Successive Subspace Learning with
Saab Transform from Cine MRI [29.894633364282555]
本研究では,適応バイアス(Saab)変換を用いた部分空間近似を用いた連続部分空間学習による機械学習モデルを提案する。
左心室,右心室,心筋のパラメータが200ドル以上で,最先端のU-Netモデルよりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-07-22T14:50:48Z) - Deep Generative Model-based Quality Control for Cardiac MRI Segmentation [30.09405692032434]
本稿では, 心臓MRI領域の品質管理のための, 深部生成モデルに基づく新しいフレームワークを提案する。
提案手法は,2つの公用心MRIデータセットに対して高い予測精度を実現する。
論文 参考訳（メタデータ） (2020-06-23T23:15:54Z) - 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) - On the effectiveness of GAN generated cardiac MRIs for segmentation [12.59275199633534]
本稿では,心形態の潜在表現を学習するための変分オートエンコーダ(VAE)を提案する。
一方、GANは、与えられた解剖学的マップに適した現実的なMR画像を生成するために、"SPatially-Adaptive (DE)Normalization"モジュールを使用する。
合成アノテート画像を用いて訓練したCNNのセグメンテーションは,従来の手法と比較して競合する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-05-18T18:48:38Z) - 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)
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。