Fugu-MT 論文翻訳(概要): Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation

論文の概要: Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation

arxiv url: http://arxiv.org/abs/2410.10551v2
Date: Thu, 17 Oct 2024 23:07:02 GMT
ステータス: 処理完了
システム内更新日: 2024-10-29 20:55:06.296149
Title: Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation
Title（参考訳）: 心臓の整合性保存 : トポロジーを応用した全心セグメンテーション法
Authors: Chenyu Zhang, Wenxue Guan, Xiaodan Xing, Guang Yang,
Abstract要約: 全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
参考スコア（独自算出の注目度）: 6.495726693226574
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Whole heart segmentation (WHS) supports cardiovascular disease (CVD) diagnosis, disease monitoring, treatment planning, and prognosis. Deep learning has become the most widely used method for WHS applications in recent years. However, segmentation of whole-heart structures faces numerous challenges including heart shape variability during the cardiac cycle, clinical artifacts like motion and poor contrast-to-noise ratio, domain shifts in multi-center data, and the distinct modalities of CT and MRI. To address these limitations and improve segmentation quality, this paper introduces a new topology-preserving module that is integrated into deep neural networks. The implementation achieves anatomically plausible segmentation by using learned topology-preserving fields, which are based entirely on 3D convolution and are therefore very effective for 3D voxel data. We incorporate natural constraints between structures into the end-to-end training and enrich the feature representation of the neural network. The effectiveness of the proposed method is validated on an open-source medical heart dataset, specifically using the WHS++ data. The results demonstrate that the architecture performs exceptionally well, achieving a Dice coefficient of 0.939 during testing. This indicates full topology preservation for individual structures and significantly outperforms other baselines in preserving the overall scene topology.
Abstract（参考訳）: 全心セグメンテーション(WHS)は、心血管疾患(CVD)の診断、疾患のモニタリング、治療計画、予後をサポートする。近年、深層学習はWHSアプリケーションにおいて最も広く使われている手法となっている。しかし、心拍周期における心拍変動、運動やコントラスト/ノイズ比の低下、マルチセンターデータの領域シフト、CTとMRIの相違など、多くの課題に直面している。これらの制限に対処し、セグメンテーションの品質を向上させるために、ディープニューラルネットワークに統合された新しいトポロジ保存モジュールを導入する。この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。構造間の自然な制約をエンドツーエンドのトレーニングに組み込んで、ニューラルネットワークの特徴表現を強化します。提案手法の有効性を,WHS++データを用いたオープンソース医療心臓データセットを用いて検証した。その結果, 性能は極めて良好であり, 試験中のDice係数は0.939であることがわかった。これは、個々の構造に対する完全なトポロジー保存を示し、シーントポロジー全体の保存において他のベースラインを著しく上回っていることを示している。

関連論文リスト

How good nnU-Net for Segmenting Cardiac MRI: A Comprehensive Evaluation [2.5725730509014353]
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。
論文参考訳（メタデータ） (2024-07-26T01:47:20Z)
Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
論文参考訳（メタデータ） (2024-01-11T19:07:58Z)
Modeling 3D cardiac contraction and relaxation with point cloud deformation networks [4.65840670565844]
本稿では,3次元心収縮と緩和をモデル化する新しい幾何学的深層学習手法として,ポイントクラウド変形ネットワーク(PCD-Net)を提案する。英国バイオバンクの調査から,1万件以上の症例の大規模データセットに対するアプローチを評価した。
論文参考訳（メタデータ） (2023-07-20T14:56:29Z)
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)
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)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Learning Directional Feature Maps for Cardiac MRI Segmentation [13.389141642517762]
本稿では,クラス間の差分とクラス内の類似度を同時に強化する指向性特徴写像を利用する新しい手法を提案する。具体的には,最寄りの心臓組織の境界から各ピクセルに向けられた方向のフィールドを学習する。学習方向のフィールドに基づいて、元のセグメンテーション機能を改善するために、特徴修正と融合(FRF)モジュールを提案する。
論文参考訳（メタデータ） (2020-07-22T11:31:04Z)
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)
clDice -- A Novel Topology-Preserving Loss Function for Tubular Structure Segmentation [57.20783326661043]
中心線Dice (short clDice) と呼ばれる新しい類似度尺度を導入する。理論的には、clDiceは2次元および3次元のセグメンテーションにおけるホモトピー同値までのトポロジー保存を保証する。我々は、船舶、道路、ニューロン(2Dと3D)を含む5つの公開データセットでソフトクライス損失をベンチマークした。
論文参考訳（メタデータ） (2020-03-16T16:27:49Z)

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。