論文の概要: Segmenting Bi-Atrial Structures Using ResNext Based Framework

• arxiv url: http://arxiv.org/abs/2503.02892v2
• Date: Wed, 26 Mar 2025 22:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-28 16:38:48.359946
• Title: Segmenting Bi-Atrial Structures Using ResNext Based Framework
• Title（参考訳）: ResNextベースのフレームワークによる両房構造分割
• Authors: Malitha Gunawardhana, Fangqiang Xu, Jichao Zhao,
• Abstract要約: 心房細動(英: atrial fibrillation、AF)は、心不整脈で最も一般的な疾患であり、特に高齢者の死亡に寄与する。 最近の研究は、追加の心房領域、特に後期ガドリニウム強調MRI(LGE-MRI)で同定される線維性領域を標的にすることの重要性を強調している。 ディープラーニング技術、特に畳み込みニューラルネットワーク(CNN)は、セグメンテーションの自動化を約束している。 LGE-MRIにおいて,ResNeXtエンコーダと,右心房(RA)とLA壁と空洞の両方を分割する循環学習率を組み合わせた新しい2段階のフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.5725730509014353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atrial fibrillation (AF) is the most common cardiac arrhythmia, significantly contributing to mortality, particularly in older populations. While pulmonary vein isolation is a standard treatment, its effectiveness is limited in patients with persistent AF. Recent research highlights the importance of targeting additional atrial regions, particularly fibrotic areas identified via late gadolinium-enhanced MRI (LGE-MRI). However, existing manual segmentation methods are time-consuming and prone to variability. Deep learning techniques, particularly convolutional neural networks (CNNs), have shown promise in automating segmentation. However, most studies focus solely on the left atrium (LA) and rely on small datasets, limiting generalizability. In this paper, we propose a novel two-stage framework incorporating ResNeXt encoders and a cyclic learning rate to segment both the right atrium (RA) and LA walls and cavities in LGE-MRIs. Our method aims to improve the segmentation of challenging small structures, such as atrial walls while maintaining high performance in larger regions like the atrial cavities. The results demonstrate that our approach offers superior segmentation accuracy and robustness compared to traditional architectures, particularly for imbalanced class structures.
• Abstract（参考訳）: 心房細動(AF)は心不整脈の中で最も多く、特に高齢者の死亡率に大きく寄与する。 肺静脈分離は標準治療であるが,持続性AF患者では有効性に制限がある。 最近の研究は、追加の心房領域、特に後期ガドリニウム強調MRI(LGE-MRI)で同定された線維性領域を標的にすることの重要性を強調している。 しかし、既存の手動セグメンテーション手法は時間を要するため、変動しがちである。 ディープラーニング技術、特に畳み込みニューラルネットワーク(CNN)は、セグメンテーションの自動化を約束している。 しかしながら、ほとんどの研究は左心房(LA)のみに焦点をあて、小さなデータセットに依存し、一般化可能性を制限する。 本稿では,ResNeXtエンコーダを組み込んだ新しい2段階のフレームワークを提案する。 本手法は, 心房壁などの課題のある小構造物のセグメンテーションを改善するとともに, 心房空洞などの大規模領域における高い性能を維持することを目的としている。 その結果,本手法は従来のアーキテクチャ,特に不均衡なクラス構造に対して,セグメンテーションの精度とロバスト性に優れることを示した。

関連論文リスト

• Multi-Disease-Aware Training Strategy for Cardiac MR Image Segmentation [5.206138376072312]
  近年,ディープラーニングに基づくセグメンテーション手法が注目されている。 これらのセグメンテーション法は、左心室(LV)や心筋(MYO)などの定期的な形をした臓器の分割に一般的に適している。 右心室(RV)のような不規則な形状の臓器では不十分な働きをする
  論文  参考訳（メタデータ） (2025-03-23T01:29:27Z)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• Learning Cortico-Muscular Dependence through Orthonormal Decomposition of Density Ratios [39.3721526159124]
  本研究では,皮質振動と筋振動の関係をモデル化するために,密度比の正則分解に基づく統計的依存推定器の新たな応用を提案する。 本研究では,皮質筋接続から学習した固有関数が,運動と被験者を正確に分類できることを実験的に実証した。
  論文  参考訳（メタデータ） (2024-10-04T16:05:08Z)
• Lost in Tracking: Uncertainty-guided Cardiac Cine MRI Segmentation at Right Ventricle Base [6.124743898202368]
  本稿では,CMRセグメンテーションにおける未解決問題,特にRVベースに対処することを提案する。 本稿では,時間的アンコヒーレンスを利用して平面間動きの発生時にセグメンテーションを通知する新しいデュアルエンコーダU-Netアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-10-04T11:14:31Z)
• Multi-Model Ensemble Approach for Accurate Bi-Atrial Segmentation in LGE-MRI of Atrial Fibrillation Patients [3.676588766498097]
  心房細動(AF)は、心臓不整脈の最も多い形態であり、死亡率と死亡率の増加と関連している。 この研究は、Unet、ResNet、EfficientNet、VGGを含む複数の機械学習モデルを統合するアンサンブルアプローチを示し、LGE-MRIデータから自動両房セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-09-24T13:33:46Z)
• Learning Through Guidance: Knowledge Distillation for Endoscopic Image Classification [40.366659911178964]
  内視鏡は消化管(GI)の根底にある異常を同定する上で重要な役割を担っている。 ディープラーニング、特にCNN(Convolution Neural Networks)は、従来の機能エンジニアリングを使わずに自動機能学習を実行するように設計されている。 KDに基づく3つの学習フレームワーク、応答ベース、特徴ベース、関係ベースメカニズムについて検討し、関係ベース学習を支援するために、新しい多面的注意型特徴融合機構を導入する。
  論文  参考訳（メタデータ） (2023-08-17T02:02:11Z)
• Segmentation of Cardiac Structures via Successive Subspace Learning with Saab Transform from Cine MRI [29.894633364282555]
  本研究では,適応バイアス(Saab)変換を用いた部分空間近似を用いた連続部分空間学習による機械学習モデルを提案する。 左心室,右心室,心筋のパラメータが200ドル以上で,最先端のU-Netモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-22T14:50:48Z)
• Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein Segmentation in CT [45.93021999366973]
  肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。 コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。 細気管支、動脈、静脈に対して優れた感受性を有する。
  論文  参考訳（メタデータ） (2020-12-10T15:56:08Z)
• AtrialJSQnet: A New Framework for Joint Segmentation and Quantification of Left Atrium and Scars Incorporating Spatial and Shape Information [22.162571400010467]
  臨床では左心房(LA)と後期ガドリニウム造影MRI(LGE MRI)の心房粗動が重要な課題である。 従来の手法は通常2つの課題を独立に解決し、LAと傷跡の固有の空間的関係を無視した。 AtrialJSQnetと呼ばれる新しいフレームワークを開発し、LAセグメンテーション、LA表面へのスカープロジェクション、およびスカーの定量化をエンドツーエンド形式で同時に行う。
  論文  参考訳（メタデータ） (2020-08-11T14:44:19Z)
• 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)

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。