論文の概要: Multi-Disease-Aware Training Strategy for Cardiac MR Image Segmentation
- arxiv url: http://arxiv.org/abs/2503.17896v2
- Date: Tue, 25 Mar 2025 01:56:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 10:43:57.075506
- Title: Multi-Disease-Aware Training Strategy for Cardiac MR Image Segmentation
- Title（参考訳）: 心MR画像分割のためのマルチディスクアウェアトレーニング戦略
- Authors: Hong Zheng, Yucheng Chen, Nan Mu, Xiaoning Li,
- Abstract要約: 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
- 参考スコア（独自算出の注目度）: 5.206138376072312
- License:
- Abstract: Accurate segmentation of the ventricles from cardiac magnetic resonance images (CMRIs) is crucial for enhancing the diagnosis and analysis of heart conditions. Deep learning-based segmentation methods have recently garnered significant attention due to their impressive performance. However, these segmentation methods are typically good at partitioning regularly shaped organs, such as the left ventricle (LV) and the myocardium (MYO), whereas they perform poorly on irregularly shaped organs, such as the right ventricle (RV). In this study, we argue that this limitation of segmentation models stems from their insufficient generalization ability to address the distribution shift of segmentation targets across slices, cardiac phases, and disease conditions. To overcome this issue, we present a Multi-Disease-Aware Training Strategy (MTS) and restructure the introduced CMRI datasets into multi-disease datasets. Additionally, we propose a specialized data processing technique for preprocessing input images to support the MTS. To validate the effectiveness of our method, we performed control group experiments and cross-validation tests. The experimental results show that (1) network models trained using our proposed strategy achieved superior segmentation performance, particularly in RV segmentation, and (2) these networks exhibited robust performance even when applied to data from unknown diseases.
- Abstract（参考訳）: 心臓磁気共鳴画像(CMRI)からの心室の正確なセグメンテーションは、心臓の病態の診断と解析を促進するために重要である。
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。
しかし、これらのセグメンテーション法は左心室(LV)や心筋(MYO)のような定期的な形の臓器の分割に適しているが、右心室(RV)のような不規則な形の臓器では不十分である。
本研究では, このセグメンテーションモデルの制限は, スライス, 心期, 疾患状況におけるセグメンテーションターゲットの分布変化に対処する一般化能力の不足に起因すると論じる。
この問題を克服するために,MTS(Multi-Disease-Aware Training Strategy)を提案し,導入したCMRIデータセットをマルチディスリーズデータセットに再構成する。
さらに,MTSをサポートするために入力画像の事前処理を行う特殊なデータ処理手法を提案する。
本手法の有効性を検証するため,制御群実験とクロスバリデーション試験を行った。
実験の結果,(1)提案手法を用いてトレーニングしたネットワークモデルは,特にRVセグメンテーションにおいて優れたセグメンテーション性能を示し,(2)未知の疾患のデータに適用しても堅牢な性能を示した。
関連論文リスト
- Gaussian Process Emulators for Few-Shot Segmentation in Cardiac MRI [0.629740011146996]
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。
論文 参考訳（メタデータ） (2024-11-11T12:13:58Z) - Ensemble Learning of Myocardial Displacements for Myocardial Infarction
Detection in Echocardiography [15.153823114115307]
心筋梗塞の早期発見と局所化は、心臓損傷の重症度を低下させる可能性がある。
深層学習技術は心エコー画像におけるMI検出の可能性を示唆している。
本研究は,複数のセグメンテーションモデルの特徴を組み合わせ,MI分類性能を向上させるロバストな手法を提案する。
論文 参考訳（メタデータ） (2023-03-12T20:16:14Z) - 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) - MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated
Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。
FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。
2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-03T14:06:03Z) - AWSnet: An Auto-weighted Supervision Attention Network for Myocardial
Scar and Edema Segmentation in Multi-sequence Cardiac Magnetic Resonance
Images [23.212429566838203]
マルチシーケンスCMRデータから傷痕と浮腫のセグメンテーションに取り組むための,新しい自動重み付け監視フレームワークを開発した。
また, より小さな心筋病変領域の分画を, 形状の事前知識で促進する, 粗大から細大の枠組みを設計した。
マルチシーケンスCMRデータを用いた心筋病理診断の進歩に期待できる。
論文 参考訳（メタデータ） (2022-01-14T08:59:54Z) - 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) - Improved AI-based segmentation of apical and basal slices from clinical
cine CMR [1.7647111545685723]
本研究の目的は,基底スライスと尖端スライスを分割する際のAIアルゴリズムの性能を検討することである。
2つのNHS病院から得られた臨床CMRの大規模なデータセットを用いて,全モデルを訓練した。
分類とセグメンテーションのアプローチは、すべてのデータセットのパフォーマンスギャップを減らすのに最適であることを示す。
論文 参考訳（メタデータ） (2021-09-20T10:48:50Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Towards Cross-modality Medical Image Segmentation with Online Mutual
Knowledge Distillation [71.89867233426597]
本稿では,あるモダリティから学習した事前知識を活用し,別のモダリティにおけるセグメンテーション性能を向上させることを目的とする。
モーダル共有知識を徹底的に活用する新しい相互知識蒸留法を提案する。
MMWHS 2017, MMWHS 2017 を用いた多クラス心筋セグメンテーション実験の結果, CT セグメンテーションに大きな改善が得られた。
論文 参考訳（メタデータ） (2020-10-04T10:25:13Z) - 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) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z)
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。