論文の概要: How good nnU-Net for Segmenting Cardiac MRI: A Comprehensive Evaluation
- arxiv url: http://arxiv.org/abs/2408.06358v1
- Date: Fri, 26 Jul 2024 01:47:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 03:57:10.743119
- Title: How good nnU-Net for Segmenting Cardiac MRI: A Comprehensive Evaluation
- Title(参考訳): 心臓MRIにおけるnU-Netの有用性 : 総合的評価
- Authors: Malitha Gunawardhana, Fangqiang Xu, Jichao Zhao,
- Abstract要約: 本研究では, 心臓磁気共鳴画像(MRI)における nnU-Net の性能評価を行った。
2D、3Dフル解像度、3Dロー解像度、3Dカスケード、3Dアンサンブルモデルなど、さまざまなnnU-Net構成を採用しています。
- 参考スコア(独自算出の注目度): 2.5725730509014353
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiac segmentation is a critical task in medical imaging, essential for detailed analysis of heart structures, which is crucial for diagnosing and treating various cardiovascular diseases. With the advent of deep learning, automated segmentation techniques have demonstrated remarkable progress, achieving high accuracy and efficiency compared to traditional manual methods. Among these techniques, the nnU-Net framework stands out as a robust and versatile tool for medical image segmentation. In this study, we evaluate the performance of nnU-Net in segmenting cardiac magnetic resonance images (MRIs). Utilizing five cardiac segmentation datasets, we employ various nnU-Net configurations, including 2D, 3D full resolution, 3D low resolution, 3D cascade, and ensemble models. Our study benchmarks the capabilities of these configurations and examines the necessity of developing new models for specific cardiac segmentation tasks.
- Abstract(参考訳): 心臓セグメンテーションは、様々な心臓血管疾患の診断と治療に不可欠である心臓構造の詳細な解析に不可欠である、医療画像における重要な課題である。
ディープラーニングの出現に伴い、自動セグメンテーション技術は目覚ましい進歩を見せ、従来の手作業法と比較して高い精度と効率を実現している。
これらの技術の中で、nnU-Netフレームワークは、医用画像セグメンテーションのための堅牢で汎用的なツールとして際立っている。
本研究では,心臓磁気共鳴画像(MRI)における nnU-Net の性能評価を行った。
5つの心臓セグメンテーションデータセットを用いて、2D、3Dフル解像度、3Dロー解像度、3Dカスケード、3Dアンサンブルモデルを含む様々なnnU-Net構成を用いる。
本研究は、これらの構成の能力をベンチマークし、特定の心臓セグメンテーションタスクのための新しいモデルを開発する必要性について検討する。
関連論文リスト
- Ventricular Segmentation: A Brief Comparison of U-Net Derivatives [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) - Multi-organ Segmentation Network with Adversarial Performance Validator [10.775440368500416]
本稿では,2次元から3次元のセグメンテーションフレームワークに対向的な性能検証ネットワークを導入する。
提案したネットワークは, 2次元粗い結果から3次元高品質なセグメンテーションマスクへの変換を行い, 共同最適化によりセグメンテーション精度が向上する。
NIH膵分節データセットの実験では、提案したネットワークが小臓器分節の最先端の精度を達成し、過去の最高性能を上回った。
論文 参考訳(メタデータ) (2022-04-16T18:00:29Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳(メタデータ) (2022-03-01T17:08:41Z) - 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) - 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) - Multi-class probabilistic atlas-based whole heart segmentation method in
cardiac CT and MRI [4.144197343838299]
本稿では,非剛性登録に基づく確率的アトラスを用いたマルチクラス全心セグメンテーションの枠組みを提案する。
また,高い到達可能な相互情報を得るためのマルチレゾリューション戦略を利用した非剛性登録パイプラインを提案する。
提案手法は,CTスキャンにおいて平均ボリュームオーバーラップ誤差が14.5 % であることを示す。
論文 参考訳(メタデータ) (2021-02-03T01:02:09Z) - 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) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳(メタデータ) (2020-10-19T13:56:22Z) - Rethinking the Extraction and Interaction of Multi-Scale Features for
Vessel Segmentation [53.187152856583396]
網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。
PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
論文 参考訳(メタデータ) (2020-10-09T08:22:54Z) - PC-U Net: Learning to Jointly Reconstruct and Segment the Cardiac Walls
in 3D from CT Data [18.941064150226236]
2次元CTスライスから直接LV MYO壁の点雲を直接再構成するPC-Uネットを提案する。
提案したPC-Uネットの協調学習フレームワークは,自動心画像解析タスクに有用である。
論文 参考訳(メタデータ) (2020-08-18T23:37:05Z) - 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。