論文の概要: Cardiac MRI Semantic Segmentation for Ventricles and Myocardium using Deep Learning

• arxiv url: http://arxiv.org/abs/2504.13391v1
• Date: Fri, 18 Apr 2025 00:54:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-28 19:54:27.306623
• Title: Cardiac MRI Semantic Segmentation for Ventricles and Myocardium using Deep Learning
• Title（参考訳）: 深層学習を用いた心室, 心筋に対する心MRIのセマンティック・セマンティック・セマンティック・セグメンテーション
• Authors: Racheal Mukisa, Arvind K. Bansal,
• Abstract要約: 非侵襲的心臓診断は、心疾患の早期発見において重要な役割を担っている。 心臓画像のセマンティックセグメンテーションを改善するためのモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated noninvasive cardiac diagnosis plays a critical role in the early detection of cardiac disorders and cost-effective clinical management. Automated diagnosis involves the automated segmentation and analysis of cardiac images. Precise delineation of cardiac substructures and extraction of their morphological attributes are essential for evaluating the cardiac function, and diagnosing cardiovascular disease such as cardiomyopathy, valvular diseases, abnormalities related to septum perforations, and blood-flow rate. Semantic segmentation labels the CMR image at the pixel level, and localizes its subcomponents to facilitate the detection of abnormalities, including abnormalities in cardiac wall motion in an aging heart with muscle abnormalities, vascular abnormalities, and valvular abnormalities. In this paper, we describe a model to improve semantic segmentation of CMR images. The model extracts edge-attributes and context information during down-sampling of the U-Net and infuses this information during up-sampling to localize three major cardiac structures: left ventricle cavity (LV); right ventricle cavity (RV); and LV myocardium (LMyo). We present an algorithm and performance results. A comparison of our model with previous leading models, using similarity metrics between actual image and segmented image, shows that our approach improves Dice similarity coefficient (DSC) by 2%-11% and lowers Hausdorff distance (HD) by 1.6 to 5.7 mm.
• Abstract（参考訳）: 非侵襲的心臓診断は、心疾患の早期発見と費用対効果のある臨床管理において重要な役割を担っている。 自動診断には、心臓画像の自動分割と解析が含まれる。 心筋症,弁膜疾患,中隔穿孔関連異常,血流速度などの心血管疾患の診断には,心臓下層構造の精密な記述と,その形態的特性の抽出が不可欠である。 セマンティックセグメンテーション(Semantic segmentation)は、CMR画像をピクセルレベルでラベル付けし、そのサブコンポーネントをローカライズして、心筋異常、血管異常、血管異常、血管異常などの心壁運動異常を含む異常の検出を容易にする。 本稿では,CMR画像のセマンティックセグメンテーションを改善するためのモデルについて述べる。 このモデルは、U-Netのダウンサンプリング中にエッジ属性とコンテキスト情報を抽出し、アップサンプリング中にこの情報を注入し、左心室空洞(LV)、右心室空洞(RV)、LV心筋(LMyo)の3つの主要な心臓構造を局在させる。 アルゴリズムと性能結果を示す。 実画像と分割画像の類似度測定値を用いた従来の先行モデルとの比較では,Dice類似度係数(DSC)が2%-11%向上し,Hausdorff距離(HD)が1.6mmから5.7mm低下した。

関連論文リスト

• Multi-Stage Segmentation and Cascade Classification Methods for Improving Cardiac MRI Analysis [15.236546465767026]
  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。
  論文  参考訳（メタデータ） (2024-12-12T15:53:14Z)
• Classification, Regression and Segmentation directly from k-Space in Cardiac MRI [11.690226907936903]
  我々は,k空間データを直接処理するためのトランスフォーマーモデルであるKMAEを提案する。 KMAEは、重要な心臓疾患の分類、関連する表現型回帰、および心臓セグメンテーションタスクを扱うことができる。 心臓MRIにおけるk-space-based diagnosisの可能性について検討した。
  論文  参考訳（メタデータ） (2024-07-29T15:35:35Z)
• Semantic-aware Temporal Channel-wise Attention for Cardiac Function Assessment [69.02116920364311]
  既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。 本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。 提案手法は,0.22 MAE,0.26 RMSE,1.9%$R2$の改善により,スタンフォードデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-09T05:57:01Z)
• Shape of my heart: Cardiac models through learned signed distance functions [33.29148402516714]
  本研究では、リプシッツ正則性を持つ3次元深部符号距離関数を用いて心臓の形状を再構成する。 この目的のために、心臓MRIの形状を学習し、複数の室の空間的関係をモデル化する。 また,本手法は1つの心室からの点雲などの部分的データから解剖モデルを再構築することも可能であることを示す。
  論文  参考訳（メタデータ） (2023-08-31T09:02:53Z)
• Multi-scale Cross-restoration Framework for Electrocardiogram Anomaly Detection [33.48389041651675]
  心電図(Electrocardiogram、ECG)は、心疾患の診断に広く用いられるツールである。 希少な心疾患は、トレーニングデータセットがすべての心疾患を排出できないことを考慮して、従来の心電図解析を用いて診断されることがある。 本稿では、異常検出を用いて不健康状態を特定し、通常の心電図をトレーニング用として用いることを提案する。
  論文  参考訳（メタデータ） (2023-08-03T09:16:57Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• A Comprehensive 3-D Framework for Automatic Quantification of Late Gadolinium Enhanced Cardiac Magnetic Resonance Images [5.947543669357994]
  後期ガドリニウム増強(LGE)心筋磁気共鳴(CMR)は、高強度の非生存性心筋を直接可視化することができる。 心臓発作患者に対しては,LGE CMR画像の解析と定量化により適切な治療の決定を容易にすることが重要である。 正確な定量化を実現するためには、LGE CMR画像は心筋の分画と梗塞の分類の2つのステップで処理する必要がある。
  論文  参考訳（メタデータ） (2022-05-21T11:54:39Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
  心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。 これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。 形状と境界認識機能を利用する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-27T13:54:59Z)
• CNN-based Cardiac Motion Extraction to Generate Deformable Geometric Left Ventricle Myocardial Models from Cine MRI [0.0]
  Cine心MR画像からLV心筋の患者特異的幾何モデルの開発のための枠組みを提案する。 我々はvoxelmorph-based convolutional neural network (cnn) を用いて、心周期の次のフレームにエンドダイアゾールフレームの等表面メッシュとボリュームメッシュを伝搬する。
  論文  参考訳（メタデータ） (2021-03-30T21:34:29Z)
• 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)

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。