論文の概要: Self-supervised Pretraining for Cardiovascular Magnetic Resonance Cine Segmentation

• arxiv url: http://arxiv.org/abs/2409.18100v1
• Date: Thu, 26 Sep 2024 17:44:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-27 21:27:33.343245
• Title: Self-supervised Pretraining for Cardiovascular Magnetic Resonance Cine Segmentation
• Title（参考訳）: 心臓血管磁気共鳴シネに対する自己教師付きプレトレーニング セグメンテーション
• Authors: Rob A. J. de Mooij, Josien P. W. Pluim, Cian M. Scannell
• Abstract要約: 自己教師付き事前トレーニング(SSP)は、大規模なラベルなしデータセットから学習する上で有望な結果を示している。 SSPはラベル付きトレーニングデータが不足している場合にCMRシネセグメンテーションに有用であるが、十分なラベル付きデータが利用可能である場合には最先端のディープラーニング手法を助長しない。 本研究では,ラベル付きトレーニングデータが少ない場合,SSPはCMRシネセグメンテーションに有用であるが,十分なラベル付きデータが存在する場合,最先端のディープラーニング手法には役に立たないことを示した。
• 参考スコア（独自算出の注目度）: 2.6794603219193833
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised pretraining (SSP) has shown promising results in learning from large unlabeled datasets and, thus, could be useful for automated cardiovascular magnetic resonance (CMR) short-axis cine segmentation. However, inconsistent reports of the benefits of SSP for segmentation have made it difficult to apply SSP to CMR. Therefore, this study aimed to evaluate SSP methods for CMR cine segmentation. To this end, short-axis cine stacks of 296 subjects (90618 2D slices) were used for unlabeled pretraining with four SSP methods; SimCLR, positional contrastive learning, DINO, and masked image modeling (MIM). Subsets of varying numbers of subjects were used for supervised fine-tuning of 2D models for each SSP method, as well as to train a 2D baseline model from scratch. The fine-tuned models were compared to the baseline using the 3D Dice similarity coefficient (DSC) in a test dataset of 140 subjects. The SSP methods showed no performance gains with the largest supervised fine-tuning subset compared to the baseline (DSC = 0.89). When only 10 subjects (231 2D slices) are available for supervised training, SSP using MIM (DSC = 0.86) improves over training from scratch (DSC = 0.82). This study found that SSP is valuable for CMR cine segmentation when labeled training data is scarce, but does not aid state-of-the-art deep learning methods when ample labeled data is available. Moreover, the choice of SSP method is important. The code is publicly available at: https://github.com/q-cardIA/ssp-cmr-cine-segmentation
• Abstract（参考訳）: 自己教師付きプレトレーニング(SSP)は、大きなラベルのないデータセットから学習する上で有望な結果を示しており、したがって、自動心臓血管磁気共鳴(CMR)短軸シネセグメンテーションに有用である。 しかし, セグメンテーションにおけるSSPの有用性の相反する報告は, CMRへのSSPの適用を困難にしている。 そこで本研究では,CMRシネセグメンテーションにおけるSSP法の評価を目的とした。 この目的のために,SSP法(SimCLR,位置コントラスト学習,DINO,マスク画像モデリング(MIM))を用いて,296名(906182Dスライス)の短軸シネスタックを使用した。 種々の被験者のサブセットを用いて,SSP法ごとに2次元モデルの微調整を行い,スクラッチから2次元ベースラインモデルを訓練した。 3次元Dice類似度係数 (DSC) を用いて, 被験者140名を対象に, 微調整モデルとベースラインを比較した。 SSP法では, ベースライン (DSC=0.89) と比較して, 教師付き微調整サブセットが最大であった。 10人の被験者(231個の2Dスライス)のみが指導訓練を受けられる場合、MIM(DSC = 0.86)を使用したSSPは、スクラッチ(DSC = 0.82)のトレーニングよりも改善される。 本研究では,ラベル付きトレーニングデータが少ない場合,SSPはCMRシネセグメンテーションに有用であるが,十分なラベル付きデータが存在する場合,最先端のディープラーニング手法には役に立たないことを示した。 また,SSP法の選択も重要である。 コードは、https://github.com/q-cardIA/ssp-cmr-cine-segmentationで公開されている。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Improved 3D Whole Heart Geometry from Sparse CMR Slices [3.701571763780745]
  心臓磁気共鳴法(CMR)とCT法(CT)は、心臓血管疾患の患者を診断するための2つの一般的な非侵襲的画像診断法である。 CMRは通常、複数のスパース2Dスライスを取得し、スライス間には避けられない呼吸運動アーチファクトを持ち、CTは等方性密度データを取得するが、電離放射線を使用する。 スライスシフトアルゴリズム(SSA)、空間変換器ネットワーク(STN)、ラベル変換器ネットワーク(LTN)の組み合わせを検討する。
  論文  参考訳（メタデータ） (2024-08-14T13:03:48Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)
• Auto-Weighted Layer Representation Based View Synthesis Distortion Estimation for 3-D Video Coding [78.53837757673597]
  本稿では,自動重み付け層表現に基づくビュー合成歪み推定モデルを提案する。 提案手法は, 精度, 効率の両面において, 最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-01-07T12:12:41Z)
• Modality-Aware Triplet Hard Mining for Zero-shot Sketch-Based Image Retrieval [51.42470171051007]
  本稿では,ZES-SBIR(Zero-Shot Sketch-Based Image Retrieval)問題に,クロスモダリティメトリック学習の観点から取り組む。 DMLにおける2つの基本的な学習手法、例えば分類訓練とペアトレーニングを組み合わせることで、ZS-SBIRの強力なベースラインを構築した。 モータリティ・アウェア・トリプルト・ハード・マイニング(MATHM)は3種類のペア・ラーニングによってベースラインを向上することを示す。
  論文  参考訳（メタデータ） (2021-12-15T08:36:44Z)
• Unpaired cross-modality educed distillation (CMEDL) applied to CT lung tumor segmentation [4.409836695738518]
  我々は,不対位CTおよびMRIスキャンを用いて,新しいクロスモーダル教育蒸留法(CMEDL)を考案した。 我々のフレームワークは、エンドツーエンドで訓練されたI2I翻訳、教師、学生セグメンテーションネットワークを使用している。
  論文  参考訳（メタデータ） (2021-07-16T15:58:15Z)
• Deep cross-modality (MR-CT) educed distillation learning for cone beam CT lung tumor segmentation [3.8791511769387634]
  新しい深層学習型cbct肺腫瘍分割法を開発した。 提案手法の主な考え方は、磁気共鳴イメージング(MRI)を用いてCBCTセグメンテーションネットワークトレーニングをガイドすることである。 我々は,unpaired cbct と mri データセットを用いて,unpaired domain adaptation (uda) とcross-domain segmentation distillation network (sdn) からなるエンドツーエンドネットワークを訓練することでこれを実現する。
  論文  参考訳（メタデータ） (2021-02-17T03:52:02Z)
• Scalable Deep Compressive Sensing [43.92187349325869]
  既存のディープラーニング手法の多くは、異なるサブサンプリング比率のために異なるモデルをトレーニングする。 本研究では,拡張性深部圧縮センシング(SDCS)と呼ばれるフレームワークを開発し,既存のすべてのエンドツーエンド学習モデルの拡張性サンプリングと再構成を行う。 実験の結果,SDCSを用いたモデルでは,良好な性能を維持しながら構造を変更せずにSSRを達成でき,SDCSは他のSSR法よりも優れていた。
  論文  参考訳（メタデータ） (2021-01-20T08:42:50Z)
• Hyperspectral Classification Based on Lightweight 3-D-CNN With Transfer Learning [67.40866334083941]
  限定サンプルに基づくHSI分類のためのエンドツーエンドの3次元軽量畳み込みニューラルネットワーク(CNN)を提案する。 従来の3D-CNNモデルと比較して,提案した3D-LWNetはネットワーク構造が深く,パラメータが小さく,計算コストも低い。 本モデルでは,HSI分類の競合性能を,いくつかの最先端手法と比較した。
  論文  参考訳（メタデータ） (2020-12-07T03:44:35Z)
• Quality-aware semi-supervised learning for CMR segmentation [2.9928692313705505]
  医用画像セグメンテーションのためのディープラーニングアルゴリズムを開発する上での課題の1つは、トレーニングデータの不足である。 本稿では,下流タスクのQCを用いて,CMRセグメンテーションネットワークの高品質な出力を同定する手法を提案する。 本質的にこれは、セグメンテーションネットワーク用のSSLの変種におけるトレーニングデータの品質向上を提供する。
  論文  参考訳（メタデータ） (2020-09-01T17:18:22Z)
• 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。