Fugu-MT 論文翻訳(概要): Segmentation of Coronary Artery Stenosis in X-ray Angiography using Mamba Models

論文の概要: Segmentation of Coronary Artery Stenosis in X-ray Angiography using Mamba Models

arxiv url: http://arxiv.org/abs/2412.02568v1
Date: Tue, 03 Dec 2024 16:54:46 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 15:47:58.885118
Title: Segmentation of Coronary Artery Stenosis in X-ray Angiography using Mamba Models
Title（参考訳）: マンバモデルを用いた冠動脈狭窄のX線冠動脈造影における分画
Authors: Ali Rostami, Fatemeh Fouladi, Hedieh Sajedi,
Abstract要約: 本研究は,マンバ型モデルとスウィントランスフォーマー型モデルの5つの変種を用いる。結果は、U-Mamba BOTモデルのF1スコアが68.79%で、半教師付きアプローチよりも11.8%改善したことを示している。
参考スコア（独自算出の注目度）: 5.086430262530704
License:
Abstract: Coronary artery disease stands as one of the primary contributors to global mortality rates. The automated identification of coronary artery stenosis from X-ray images plays a critical role in the diagnostic process for coronary heart disease. This task is challenging due to the complex structure of coronary arteries, intrinsic noise in X-ray images, and the fact that stenotic coronary arteries appear narrow and blurred in X-ray angiographies. This study employs five different variants of the Mamba-based model and one variant of the Swin Transformer-based model, primarily based on the U-Net architecture, for the localization of stenosis in Coronary artery disease. Our best results showed an F1 score of 68.79% for the U-Mamba BOT model, representing an 11.8% improvement over the semi-supervised approach.
Abstract（参考訳）: 冠動脈疾患は、世界的死亡率の主要な要因の1つである。 X線画像からの冠動脈狭窄の自動診断は、冠動脈疾患の診断過程において重要な役割を担っている。この課題は、冠動脈の複雑な構造、X線像の内在性ノイズ、およびX線血管造影では狭窄性冠動脈が狭くぼやけているためである。本研究は,冠状動脈疾患における狭窄の局在化のために,マンバモデルとSwin Transformerモデルの一変種を主にU-Netアーキテクチャに基づいて用いた。以上の結果から,U-Mamba BOTモデルではF1スコアが68.79%,半教師付きアプローチでは11.8%改善した。

関連論文リスト

SSASS: Semi-Supervised Approach for Stenosis Segmentation [9.767759441883008]
冠状動脈構造の複雑さとX線像の固有ノイズが相まって,この課題には大きな課題が生じる。心血管狭窄セグメンテーションに対する半監督的アプローチを提案する。自動冠状動脈疾患診断では異常な成績を示した。
論文参考訳（メタデータ） (2023-11-17T02:01:19Z)
YOLO-Angio: An Algorithm for Coronary Anatomy Segmentation [13.603729336413833]
われわれは,MICCAI 2023におけるX線アンギオグラフィー画像(ARCADE)を用いた自動冠状動脈疾患診断への取り組みについて報告する。我々の3段階のアプローチは、従来のコンピュータビジョンによる前処理と特徴選択を組み合わせて、船体コントラストを強化する。最終セグメンテーションは、グラフベースのソート法で冠状樹を再構築する論理に基づくアプローチに基づいている。
論文参考訳（メタデータ） (2023-10-24T15:02:02Z)
StenUNet: Automatic Stenosis Detection from X-ray Coronary Angiography [5.430434855741553]
冠動脈疾患(CAD)の重症度は、その位置、狭窄度(狭窄度)、血管数によって定量化される。 MICCAIの大挑戦:X線アンギオグラフィー(ARCADE)を用いた自動領域ベース冠動脈疾患診断は、狭窄アノテーションを用いたデータセットをキュレートした。我々は,X線冠動脈造影から狭窄を正確に検出するアーキテクチャとアルゴリズムStenUNetを提案する。
論文参考訳（メタデータ） (2023-10-23T14:04:18Z)
ConvNeXtv2 Fusion with Mask R-CNN for Automatic Region Based Coronary Artery Stenosis Detection for Disease Diagnosis [6.943548662802804]
我々は、インスタンスセグメンテーションタスクのために事前訓練された専用のConvnext-V2バックボーンベースのMask RCNNモデルを採用する。この要求タスクにおいて,本手法はF1スコア0.5353を達成する。
論文参考訳（メタデータ） (2023-10-07T09:09:05Z)
Hyper Association Graph Matching with Uncertainty Quantification for Coronary Artery Semantic Labeling [4.9679652736351905]
ICAを用いた冠状動脈セマンティックラベリングにおける不確実性定量化(HAGMN-UQ)を用いたハイパーアソシエーショングラフマッチングニューラルネットワークの革新的アプローチを提案する。冠動脈セマンティックラベリングの精度は0.9345,高速推論速度は0。
論文参考訳（メタデータ） (2023-08-20T16:59:17Z)
Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文参考訳（メタデータ） (2023-06-06T18:01:08Z)
Optimising Chest X-Rays for Image Analysis by Identifying and Removing Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文参考訳（メタデータ） (2022-08-22T13:57:04Z)
Generative Residual Attention Network for Disease Detection [51.60842580044539]
本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
論文参考訳（メタデータ） (2021-10-25T14:15:57Z)
In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文参考訳（メタデータ） (2021-04-06T02:01:43Z)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。