論文の概要: Gaussian Process Emulators for Few-Shot Segmentation in Cardiac MRI

• arxiv url: http://arxiv.org/abs/2411.06911v1
• Date: Mon, 11 Nov 2024 12:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:12:40.413080
• Title: Gaussian Process Emulators for Few-Shot Segmentation in Cardiac MRI
• Title（参考訳）: 心臓MRIにおけるFew-Shot Segmentationのためのガウス過程エミュレータ
• Authors: Bruno Viti, Franz Thaler, Kathrin Lisa Kapper, Martin Urschler, Martin Holler, Elias Karabelas,
• Abstract要約: 本稿では,U-Netアーキテクチャとガウスプロセスエミュレータ(GPE)を併用した数ショット学習手法を提案する。 GPEは、遅延空間におけるサポートイメージと対応するマスクの関係を学習するために訓練され、目に見えないクエリイメージのセグメンテーションを容易にする。 我々は、M&Ms-2パブリックデータセットを用いて、心臓磁気共鳴画像における心臓のセグメンテーション能力を評価する。
• 参考スコア（独自算出の注目度）: 0.629740011146996
• License:
• Abstract: Segmentation of cardiac magnetic resonance images (MRI) is crucial for the analysis and assessment of cardiac function, helping to diagnose and treat various cardiovascular diseases. Most recent techniques rely on deep learning and usually require an extensive amount of labeled data. To overcome this problem, few-shot learning has the capability of reducing data dependency on labeled data. In this work, we introduce a new method that merges few-shot learning with a U-Net architecture and Gaussian Process Emulators (GPEs), enhancing data integration from a support set for improved performance. GPEs are trained to learn the relation between the support images and the corresponding masks in latent space, facilitating the segmentation of unseen query images given only a small labeled support set at inference. We test our model with the M&Ms-2 public dataset to assess its ability to segment the heart in cardiac magnetic resonance imaging from different orientations, and compare it with state-of-the-art unsupervised and few-shot methods. Our architecture shows higher DICE coefficients compared to these methods, especially in the more challenging setups where the size of the support set is considerably small.
• Abstract（参考訳）: 心臓磁気共鳴画像(MRI)のセグメンテーションは、心臓機能の解析と評価に不可欠であり、様々な心臓血管疾患の診断と治療に役立っている。 最近の技術はディープラーニングに依存しており、通常は大量のラベル付きデータを必要とする。 この問題を解決するため、ラベル付きデータへのデータ依存を減らすことができる。 本研究では,U-Netアーキテクチャとガウスプロセスエミュレータ (GPE) を併用し,性能向上のためのサポートセットからデータ統合を向上する新しい手法を提案する。 GPEは、遅延空間におけるサポート画像と対応するマスクの関係を学習し、推論時に小さなラベル付きサポートセットのみを与えられた未確認のクエリ画像のセグメンテーションを容易にする。 我々は、M&Ms-2パブリックデータセットを用いて、心臓磁気共鳴画像中の心臓を異なる方向から分割する能力を評価し、最先端の教師なしおよび少数ショット法と比較した。 我々のアーキテクチャはこれらの手法と比較して高いDICE係数を示しており、特にサポートセットのサイズがかなり小さいより困難な設定においてである。

関連論文リスト

• Towards a vision foundation model for comprehensive assessment of Cardiac MRI [11.838157772803282]
  心臓磁気共鳴画像(CMR)評価のための視覚基礎モデルを提案する。 CMRワークフローに典型的な9つの臨床的タスクについて、教師付き方法でモデルを微調整する。 すべてのタスクにおいて、ラベル付きデータセットサイズの範囲で、精度と堅牢性が改善されたことを実証する。
  論文  参考訳（メタデータ） (2024-10-02T15:32:01Z)
• 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)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• 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)
• Multimodal Representation Learning of Cardiovascular Magnetic Resonance Imaging [11.887706872979697]
  我々は、CMR画像と関連する心臓医の報告のシーケンスを共同で学習するマルチモーダル学習フレームワークである textbfCMRformer を提案する。 我々の研究はCMR研究の進歩を早める可能性があり、より正確で効果的な診断と治療につながる可能性がある。
  論文  参考訳（メタデータ） (2023-04-16T02:35:27Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• 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)
• 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。