論文の概要: Multi-Stage Segmentation and Cascade Classification Methods for Improving Cardiac MRI Analysis
- arxiv url: http://arxiv.org/abs/2412.09386v1
- Date: Thu, 12 Dec 2024 15:53:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-13 17:02:00.646249
- Title: Multi-Stage Segmentation and Cascade Classification Methods for Improving Cardiac MRI Analysis
- Title(参考訳): 心臓MRI解析における多段階分割法とカスケード分類法
- Authors: Vitalii Slobodzian, Pavlo Radiuk, Oleksander Barmak, Iurii Krak,
- Abstract要約: 心磁気共鳴画像のセグメンテーションと分類における深層学習に基づく新しいアプローチを提案する。
その結果,左心室では0.974,右心室では0.947のDice係数が得られた。
分類には,肥大型心筋症,心筋梗塞,拡張型心筋症などの心疾患を識別するために,深層学習分類器のカスケードが用いられた。
- 参考スコア(独自算出の注目度): 15.236546465767026
- License:
- Abstract: The segmentation and classification of cardiac magnetic resonance imaging are critical for diagnosing heart conditions, yet current approaches face challenges in accuracy and generalizability. In this study, we aim to further advance the segmentation and classification of cardiac magnetic resonance images by introducing a novel deep learning-based approach. Using a multi-stage process with U-Net and ResNet models for segmentation, followed by Gaussian smoothing, the method improved segmentation accuracy, achieving a Dice coefficient of 0.974 for the left ventricle and 0.947 for the right ventricle. For classification, a cascade of deep learning classifiers was employed to distinguish heart conditions, including hypertrophic cardiomyopathy, myocardial infarction, and dilated cardiomyopathy, achieving an average accuracy of 97.2%. The proposed approach outperformed existing models, enhancing segmentation accuracy and classification precision. These advancements show promise for clinical applications, though further validation and interpretation across diverse imaging protocols is necessary.
- Abstract(参考訳): 心臓磁気共鳴画像のセグメンテーションと分類は、心臓の状態を診断するために重要であるが、現在のアプローチでは精度と一般化性の課題に直面している。
本研究では,新しい深層学習アプローチを導入することで,心臓磁気共鳴画像のセグメント化と分類をさらに進めることを目的とする。
セグメンテーションにはU-NetモデルとResNetモデルを用いた多段階プロセスを用い,さらにガウス平滑化により,左室ではDice係数0.974,右室では0.947のセグメンテーション精度が向上した。
分類には、肥大型心筋症、心筋梗塞、拡張型心筋症などの心疾患を識別するために、ディープラーニング分類器のカスケードが用いられ、平均精度は97.2%に達した。
提案手法は既存のモデルより優れ,セグメンテーション精度と分類精度が向上した。
これらの進歩は臨床応用に有望であるが、様々な画像プロトコルのさらなる検証と解釈が必要である。
関連論文リスト
- Multimodal Foundation Models For Echocardiogram Interpretation [0.24578723416255746]
1,032,975個の心エコービデオとそれに対応する専門的解釈を用いて,EchoCLIPを開発した。
EchoCLIPは、心臓機能評価において強いゼロショット(明示的に訓練されていない)パフォーマンスを示す。
また,エコーCLIP-R (Long-context variant, EchoCLIP-R) も開発した。
論文 参考訳(メタデータ) (2023-08-29T23:45:54Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - IMLE-Net: An Interpretable Multi-level Multi-channel Model for ECG
Classification [0.9449650062296824]
臨床環境では、心臓科医が標準12チャンネル心電図記録に基づいて診断を行う。
本稿では,標準ECG記録で利用可能なマルチチャネル情報を活用し,ビート,リズム,チャネルレベルのパターンを学習するモデルを提案する。
実験結果から,マクロ平均ROC-AUCスコアは0.9216,平均精度は88.85%,最大F1スコアは0.8057であった。
論文 参考訳(メタデータ) (2022-04-06T16:29:10Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - A novel approach for the automated segmentation and volume
quantification of cardiac fats on computed tomography [0.9786690381850356]
本稿では,2種類の心臓脂肪の自律的分画と定量化のための統一的手法を提案する。
分節脂肪は心外および縦隔と呼ばれ、心膜によって互いに区別される。
提案手法は主に,所望のセグメンテーションを行うための登録アルゴリズムと分類アルゴリズムから構成される。
論文 参考訳(メタデータ) (2021-12-21T17:38:06Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳(メタデータ) (2021-08-21T16:15:40Z) - Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
本研究では,新しいセグメンテーションフリー心音分類法を提案する。
具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。
サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
論文 参考訳(メタデータ) (2021-08-09T16:09:30Z) - 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) - 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) - CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for
Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。
実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
論文 参考訳(メタデータ) (2020-04-05T16:34:51Z) - Heart Sound Segmentation using Bidirectional LSTMs with Attention [37.62160903348547]
心電図(PCG)信号を心臓状態に分割するための新しい枠組みを提案する。
我々は近年の注目に基づく学習の進歩を利用してPCG信号のセグメンテーションを行う。
提案手法は,ヒトと動物の両方の心臓記録を含む複数のベンチマークにおいて,最先端の性能を実現する。
論文 参考訳(メタデータ) (2020-04-02T02:09:11Z)
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。