論文の概要: Low Complexity Point Tracking of the Myocardium in 2D Echocardiography
- arxiv url: http://arxiv.org/abs/2503.10431v1
- Date: Thu, 13 Mar 2025 14:53:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-14 15:51:23.583484
- Title: Low Complexity Point Tracking of the Myocardium in 2D Echocardiography
- Title（参考訳）: 2次元心エコー図における心筋の低複雑さ点追跡
- Authors: Artem Chernyshov, John Nyberg, Vegard Holmstrøm, Md Abulkalam Azad, Bjørnar Grenne, Håvard Dalen, Svein Arne Aase, Lasse Lovstakken, Andreas Østvik,
- Abstract要約: myoTrackerは、心エコー検査におけるポイントトラッキングのための低複雑さアーキテクチャ(0.3Mパラメータ)である。
CoTracker2アーキテクチャ上に構築されており、コンポーネントをシンプルにし、時間的コンテキストを拡張する。
MyoTrackerは推論時のCoTracker2の74倍、セットアップ時のEchoTrackerの11倍の速度でした。
- 参考スコア（独自算出の注目度）: 0.7584529737781703
- License:
- Abstract: Deep learning methods for point tracking are applicable in 2D echocardiography, but do not yet take advantage of domain specifics that enable extremely fast and efficient configurations. We developed MyoTracker, a low-complexity architecture (0.3M parameters) for point tracking in echocardiography. It builds on the CoTracker2 architecture by simplifying its components and extending the temporal context to provide point predictions for the entire sequence in a single step. We applied MyoTracker to the right ventricular (RV) myocardium in RV-focused recordings and compared the results with those of CoTracker2 and EchoTracker, another specialized point tracking architecture for echocardiography. MyoTracker achieved the lowest average point trajectory error at 2.00 $\pm$ 0.53 mm. Calculating RV Free Wall Strain (RV FWS) using MyoTracker's point predictions resulted in a -0.3$\%$ bias with 95$\%$ limits of agreement from -6.1$\%$ to 5.4$\%$ compared to reference values from commercial software. This range falls within the interobserver variability reported in previous studies. The limits of agreement were wider for both CoTracker2 and EchoTracker, worse than the interobserver variability. At inference, MyoTracker used 67$\%$ less GPU memory than CoTracker2 and 84$\%$ less than EchoTracker on large sequences (100 frames). MyoTracker was 74 times faster during inference than CoTracker2 and 11 times faster than EchoTracker with our setup. Maintaining the entire sequence in the temporal context was the greatest contributor to MyoTracker's accuracy. Slight additional gains can be made by re-enabling iterative refinement, at the cost of longer processing time.
- Abstract（参考訳）: ポイントトラッキングのための深層学習法は2次元心エコー法に応用できるが、極めて高速かつ効率的な構成を可能にする領域特化をまだ利用していない。
心エコー図におけるポイントトラッキングのための低複雑さアーキテクチャ(0.3Mパラメータ)であるMyoTrackerを開発した。
CoTracker2アーキテクチャ上に構築されており、コンポーネントを単純化し、時間的コンテキストを拡張して、シーケンス全体のポイント予測を単一のステップで提供する。
心エコー図法では, 右心室(RV)心筋にMyoTrackerを適用し, CoTracker2 と EchoTracker との比較を行った。
myoTrackerは平均点軌道誤差を2.00$\pm$ 0.53 mmで達成した。
RVフリーウォールひずみ(RV FWS)をMyoTrackerのポイント予測を用いて計算すると、商用ソフトウェアからの参照値と比較して、95$\%の合意の限界が6.1$\%から5.4$\%の-0.3$\%のバイアスが生じる。
この範囲は、以前の研究で報告されたオブザーバ間の変動の範囲内にある。
合意の限界は、CoTracker2とEchoTrackerの両方で広く、サーバ間の変数よりも悪い。
推測では、MyoTrackerはCoTracker2よりも67$\%$少ないGPUメモリを使用しており、大きなシーケンス(100フレーム)では84$\%$低い。
MyoTrackerは推論時のCoTracker2の74倍、セットアップ時のEchoTrackerの11倍の速度でした。
時間的文脈におけるシーケンス全体の維持は、MyoTrackerの正確性に最も寄与した。
より長い処理時間で反復精錬を再起動することで、さらなる利得を得ることができる。
関連論文リスト
- Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。
TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2024-07-19T07:48:45Z) - Tracking with Human-Intent Reasoning [64.69229729784008]
この作業では、新しいトラッキングタスクであるインストラクショントラッキングを提案している。
ビデオフレーム内で自動的にトラッキングを実行するようにトラッカーに要求する暗黙の追跡命令を提供する。
TrackGPTは複雑な推論ベースの追跡を行うことができる。
論文 参考訳（メタデータ） (2023-12-29T03:22:18Z) - Towards Real-World Visual Tracking with Temporal Contexts [64.7981374129495]
時間的文脈を効率的に活用できる2段階フレームワーク(TCTrack)を提案する。
これに基づいて、現実世界の視覚的トラッキング、すなわちTCTrack++のためのより強力なバージョンを提案する。
特徴抽出のために,空間的特徴を高めるために注意に基づく時間適応的畳み込みを提案する。
類似性マップの改良のために,時間的知識を効率的に符号化する適応型時間的変換器を導入する。
論文 参考訳（メタデータ） (2023-08-20T17:59:40Z) - CoTracker: It is Better to Track Together [70.63040730154984]
CoTrackerは、長いビデオシーケンスで多数の2Dポイントを追跡するトランスフォーマーベースのモデルである。
関節トラッキングはトラッキング精度とロバスト性を大幅に改善し、CoTrackerはカメラビューの外側に隠された点や点を追跡することができる。
論文 参考訳（メタデータ） (2023-07-14T21:13:04Z) - NeighborTrack: Improving Single Object Tracking by Bipartite Matching
with Neighbor Tracklets [22.877838749427674]
NeighborTrackは、追跡対象の隣り合う情報を活用して、シングルオブジェクト追跡(SOT)結果の検証と改善を行うポストプロセッサである。
バックボーンSOTネットワークによって予測される信頼スコアを使用して、近隣情報を自動的に導出し、この情報を使用して追跡結果を改善する。
論文 参考訳（メタデータ） (2022-11-12T13:43:58Z) - VariabilityTrack:Multi-Object Tracking with Variable Speed Object
Movement [1.6385815610837167]
マルチオブジェクトトラッキング(MOT)は、ビデオ内のオブジェクトのバウンディングボックスとIDを推定することを目的としている。
環境フィードバックに基づく可変速度カルマンフィルタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-12T12:39:41Z) - LightTrack: Finding Lightweight Neural Networks for Object Tracking via
One-Shot Architecture Search [104.84999119090887]
ニューラルアーキテクチャサーチ(NAS)を用いて、より軽量で効率的なオブジェクトトラッカーを設計するLightTrackを提案する。
総合的な実験は、LightTrackが効果的であることを示している。
SiamRPN++やOceanといった手作りのSOTAトラッカーよりも優れたパフォーマンスを実現するトラッカーを見つけることができる。
論文 参考訳（メタデータ） (2021-04-29T17:55:24Z) - Tracking Objects as Points [83.9217787335878]
同時に検出と追跡を同時に行うアルゴリズムは,最先端技術よりもシンプルで,高速で,高精度である。
トラッカーであるCenterTrackは、前のフレームから一対のイメージと検出に検出モデルを適用します。
CenterTrackはシンプルで、オンライン(未来を覗くことはない)で、リアルタイムだ。
論文 参考訳（メタデータ） (2020-04-02T17:58:40Z)
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。