論文の概要: Joint image reconstruction and segmentation of real-time cardiac MRI in free-breathing using a model based on disentangled representation learning
- arxiv url: http://arxiv.org/abs/2409.08619v1
- Date: Fri, 13 Sep 2024 08:17:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-16 17:18:35.849410
- Title: Joint image reconstruction and segmentation of real-time cardiac MRI in free-breathing using a model based on disentangled representation learning
- Title(参考訳): 不整合表現学習モデルを用いた自由呼吸におけるリアルタイム心磁図の同時再構成とセグメント化
- Authors: Tobias Wech, Oliver Schad, Simon Sauer, Jonas Kleineisel, Nils Petri, Peter Nordbeck, Thorsten A. Bley, Bettina Baeßler, Bernhard Petritsch, Julius F. Heidenreich,
- Abstract要約: 提案手法は心電図のゲーティングや呼吸ホールドを必要とせずに,高品質な心血管データを1~2分で取得できる。
スキャン時間が短く、患者の快適さが向上し、不整脈に対する堅牢性が向上し、患者への不適合が増している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A joint image reconstruction and segmentation approach based on disentangled representation learning was trained to enable cardiac cine MR imaging in real-time and under free-breathing. An exploratory feasibility study tested the proposed method in undersampled real-time acquisitions based on an in-house developed spiral bSSFP pulse sequence in eight healthy participants and five patients with intermittent atrial fibrillation. Images and predicted LV segmentations were compared to the reference standard of ECG-gated segmented Cartesian cine in repeated breath-holds and corresponding manual segmentation. On a 5-point Likert scale, image quality of the real-time breath-hold approach and Cartesian cine was comparable in healthy participants (RT-BH: 1.99 $\pm$ .98, Cartesian: 1.94 $\pm$ .86, p=.052), but slightly inferior in free-breathing (RT-FB: 2.40 $\pm$ .98, p<.001). In patients with arrhythmia, image quality from both real-time approaches was favourable (RT-BH: 2.10 $\pm$ 1.28, p<.001, RT-FB: 2.40 $\pm$ 1.13, p<.001, Cartesian: 2.68 $\pm$ 1.13). Intra-observer reliability was good (ICC=.77, 95%-confidence interval [.75, .79], p<.001). In functional analysis, a positive bias was observed for ejection fractions derived from the proposed model compared to the clinical reference standard (RT-BH mean EF: 58.5 $\pm$ 5.6%, bias: +3.47%, 95%-confidence interval [-.86, 7.79%], RT-FB mean: 57.9 $\pm$ 10.6%, bias: +1.45%, [-3.02, 5.91%], Cartesian mean: 54.9 $\pm$ 6.7%). The introduced real-time MR imaging technique is capable of acquiring high-quality cardiac cine data in 1-2 minutes without the need for ECG gating and breath-holds. It thus offers a promising alternative to the current clinical practice of segmented acquisition, with shorter scan times, higher patient comfort and increased robustness to arrhythmia and patient incompliance.
- Abstract(参考訳): アンタングル表現学習に基づく共同画像再構成とセグメンテーションの手法を訓練し, リアルタイムおよび自由呼吸下での心血管MR画像撮影を可能にした。
健常者8名と間欠性心房細動患者5名を対象に,社内で開発されたスパイラルbSSFPパルスシーケンスに基づくリアルタイム取得のアンダーサンプリング手法を検討した。
呼吸ホールドとそれに対応する手動セグメンテーションにおいて,心電図で区切られたカルテシアンの基準基準と画像および予測LVセグメンテーションを比較した。
5-point Likertスケールでは、リアルタイム呼吸保持アプローチの画質とカルテシアンのシネは健康な参加者(RT-BH: 1.99 $\pm$ .98, Cartesian: 1.94 $\pm$ .86, p=.052)に匹敵するが、フリーブレスティングではわずかに劣る(RT-FB: 2.40 $\pm$ .98, p<.001)。
不整脈患者では、両方のリアルタイムアプローチによる画質が好ましい(RT-BH: 2.10 $\pm$ 1.28, p<.001, RT-FB: 2.40 $\pm$ 1.13, p<.001, Cartesian: 2.68 $\pm$ 1.13)。
サーバ内信頼性は良好であった(ICC=.77,95%信頼区間 [.75, .79], p<.001)。
機能分析では, 提案したモデルから抽出した射出率に対して, 臨床基準値と比較して正の偏差が認められた( EF: 58.5 $\pm$ 5.6%, バイアス: +3.47%, 95%信頼区間 [-.86, 7.79%], RT-FB平均: 57.9 $\pm$ 10.6%, バイアス: +1.45%, [-3.02, 5.91%], カルテシア平均: 54.9 $\pm$ 6.7%)。
紹介されたリアルタイムMRイメージング技術は、心電図のゲーティングや呼吸ホールドを必要とせずに、1~2分で高品質な心血管データを取得できる。
これにより、分節的取得の現在の臨床実践に代わる有望な代替手段が提供され、スキャン時間が短く、患者の快適さが向上し、不整脈に対する堅牢性が向上し、患者が順応する。
関連論文リスト
- A new method of modeling the multi-stage decision-making process of CRT using machine learning with uncertainty quantification [8.540186345787244]
本研究の目的は、心不全患者に対する心臓再同期療法(CRT)反応を予測するための多段階機械学習モデルを構築することである。
論文 参考訳(メタデータ) (2023-09-15T14:18:53Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳(メタデータ) (2023-03-03T12:05:41Z) - Self-supervised contrastive learning of echocardiogram videos enables
label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。
左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。
EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文 参考訳(メタデータ) (2022-07-23T19:17:26Z) - 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) - One shot PACS: Patient specific Anatomic Context and Shape prior aware
recurrent registration-segmentation of longitudinal thoracic cone beam CTs [3.3504365823045044]
胸部CBCTは, 造影コントラスト, 画像所見, 呼吸運動, 胸腔内解剖学的変化により, 分画が困難である。
縦型CBCTセグメンテーションのための新規な患者固有の解剖コンテキストと先行形状, PACS-3Dリカレントレジストレーションネットワークを開発した。
論文 参考訳(メタデータ) (2022-01-26T15:18:30Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳(メタデータ) (2021-09-18T02:28:01Z) - Rapid quantification of COVID-19 pneumonia burden from computed
tomography with convolutional LSTM networks [1.0072268949897432]
新型肺炎における肺病変の迅速定量と分化のための新しい完全自動化ディープラーニングフレームワークを提案する。
SARS-CoV-2の陽性逆転写ポリメラーゼ連鎖反応試験結果を有する197例のCTデータセット上で,この方法の性能を評価した。
論文 参考訳(メタデータ) (2021-03-31T22:09:14Z) - Chest X-ray lung and heart segmentation based on minimal training sets [0.0]
本研究では、アテンションBCDU-Netと呼ばれるディープニューラルネットワークを胸部X線(CXR)画像から肺と心臓のセグメンテーションのタスクに適用する。
微調整されたモデルは、以前の最新結果を上回り、98.1pm 0.1%$ diceスコアと95.2pm 0.1%$ iouスコアに達した。
論文 参考訳(メタデータ) (2021-01-20T20:24:35Z) - Multiple resolution residual network for automatic thoracic
organs-at-risk segmentation from CT [2.9023633922848586]
我々は,CT画像からのOAR分割のためのMRRN(Multiple resolution residual Network)の実装と評価を行った。
提案手法は,複数画像解像度で計算された特徴ストリームと残差接続による特徴レベルを同時に組み合わせる。
左肺, 心臓, 食道, 脊髄を分画する検査を35回行った肺がん患者206例の胸部CT検査を用いて, アプローチを訓練した。
論文 参考訳(メタデータ) (2020-05-27T22:39:09Z) - 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)
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。