論文の概要: Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography

• arxiv url: http://arxiv.org/abs/2504.19300v1
• Date: Sun, 27 Apr 2025 16:43:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.223065
• Title: Myocardial Region-guided Feature Aggregation Net for Automatic Coronary artery Segmentation and Stenosis Assessment using Coronary Computed Tomography Angiography
• Title（参考訳）: 自動冠状動脈分割・狭窄評価のための冠動脈CTによる心筋領域誘導機能集積網の検討
• Authors: Ni Yao, Xiangyu Liu, Danyang Sun, Chuang Han, Yanting Li, Jiaofen Nan, Chengyang Li, Fubao Zhu, Weihua Zhou, Chen Zhao,
• Abstract要約: 心筋領域誘導型特徴集約ネットは、冠状動脈セグメンテーションの堅牢性を高めるために、解剖学的事前知識を統合する新しいU字型二重エンコーダアーキテクチャである。 本フレームワークは,(1)ブリッジング拡張とマルチスケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2)並列空間チャネルの注意と残留ブロックを結合して局所的特徴識別を増強する残留特徴抽出モジュール,(3)階層的血管特徴の適応的アダプティブアグリゲーションのためのマルチスケール機能融合モジュールの3つの重要なイノベーションを取り入れている。
• 参考スコア（独自算出の注目度）: 13.885760158090692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coronary artery disease (CAD) remains a leading cause of mortality worldwide, requiring accurate segmentation and stenosis detection using Coronary Computed Tomography angiography (CCTA). Existing methods struggle with challenges such as low contrast, morphological variability and small vessel segmentation. To address these limitations, we propose the Myocardial Region-guided Feature Aggregation Net, a novel U-shaped dual-encoder architecture that integrates anatomical prior knowledge to enhance robustness in coronary artery segmentation. Our framework incorporates three key innovations: (1) a Myocardial Region-guided Module that directs attention to coronary regions via myocardial contour expansion and multi-scale feature fusion, (2) a Residual Feature Extraction Encoding Module that combines parallel spatial channel attention with residual blocks to enhance local-global feature discrimination, and (3) a Multi-scale Feature Fusion Module for adaptive aggregation of hierarchical vascular features. Additionally, Monte Carlo dropout f quantifies prediction uncertainty, supporting clinical interpretability. For stenosis detection, a morphology-based centerline extraction algorithm separates the vascular tree into anatomical branches, enabling cross-sectional area quantification and stenosis grading. The superiority of MGFA-Net was demonstrated by achieving an Dice score of 85.04%, an accuracy of 84.24%, an HD95 of 6.1294 mm, and an improvement of 5.46% in true positive rate for stenosis detection compared to3D U-Net. The integrated segmentation-to-stenosis pipeline provides automated, clinically interpretable CAD assessment, bridging deep learning with anatomical prior knowledge for precision medicine. Our code is publicly available at http://github.com/chenzhao2023/MGFA_CCTA
• Abstract（参考訳）: 冠状動脈疾患 (CAD) は, 冠動脈造影 (CCTA) を用いて, 正確な分画と狭窄検出を必要とした。 既存の手法は、低コントラスト、形態的変動性、小さな容器のセグメンテーションといった課題に苦しむ。 これらの制約に対処するため,冠状動脈分節の堅牢性を高めるために,解剖学的事前知識を組み込んだ新しいU字型デュアルエンコーダアーキテクチャである心筋領域誘導型特徴集約ネットを提案する。 本フレームワークは,(1) 心筋の輪郭拡大と多スケール機能融合による冠動脈領域への注意を誘導する心筋領域誘導モジュール,(2) 局所的特徴の識別を促進するために,平行空間チャネルの注意と残留ブロックを結合した残留特徴抽出モジュール,(3) 階層的血管特徴の適応的集約のためのマルチスケール特徴統合モジュールの3つの重要なイノベーションを取り入れている。 さらに、モンテカルロのドロップアウトは予測の不確実性を定量化し、臨床解釈可能性をサポートする。 狭窄検出のために、モルフォロジーに基づく中心線抽出アルゴリズムは、血管樹を解剖学的枝に分離し、断面領域の定量化と狭窄のグレーディングを可能にする。 MGFA-Netの優位性は、Diceスコア85.04%、精度84.24%、HD956.1294mm、そして3D U-Netと比較して真の陽性率5.46%の改善によって証明された。 統合的セグメンテーション・トゥ・ステントシスパイプラインは、自動的、臨床的に解釈可能なCADアセスメントを提供し、精密医療のための解剖学的事前知識でディープラーニングをブリッジする。 私たちのコードはhttp://github.com/chenzhao2023/MGFA_CCTAで公開されています。

関連論文リスト

• Enhancing Diagnostic Precision in Gastric Bleeding through Automated Lesion Segmentation: A Deep DuS-KFCM Approach [20.416923956241497]
  本稿では,新しい深層学習モデルDual Spatial Kernelized Constrained Fuzzy C-Means (Deep DuS-KFCM)を提案する。 このシステムは、ニューラルネットワークをファジィ論理と相乗し、出血領域を高精度かつ効率的に同定する。 本モデルでは, 前例のない87.95%の精度と96.33%の特異性を示し,同時代のセグメンテーション法より優れていた。
  論文  参考訳（メタデータ） (2024-11-21T18:21:42Z)
• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• Preserving Cardiac Integrity: A Topology-Infused Approach to Whole Heart Segmentation [6.495726693226574]
  全心セグメンテーション(WHS)は、心臓血管疾患の診断、疾患のモニタリング、治療計画、予後をサポートする。 本稿では,深層ニューラルネットワークに統合された新しいトポロジ保存モジュールを提案する。 この実装は、学習したトポロジ保存フィールドを用いて、完全に3次元の畳み込みに基づいており、3次元のボクセルデータに対して非常に効果的である、解剖学的に妥当なセグメンテーションを実現する。
  論文  参考訳（メタデータ） (2024-10-14T14:32:05Z)
• AGFA-Net: Attention-Guided and Feature-Aggregated Network for Coronary Artery Segmentation using Computed Tomography Angiography [5.583495103569884]
  CCTA画像を用いた冠動脈セグメンテーションのための注意誘導型3Dディープネットワーク(AGFA-Net)を提案する。 AGFA-Netは注意機構と機能改善モジュールを活用して、有能な特徴を捉え、セグメンテーションの精度を高める。 1000個のCCTAスキャンからなるデータセットの評価はAGFA-Netの優れた性能を示し、平均Dice係数は86.74%、ハウスドルフ距離は0.23mmである。
  論文  参考訳（メタデータ） (2024-06-13T01:04:47Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Multi-class probabilistic atlas-based whole heart segmentation method in cardiac CT and MRI [4.144197343838299]
  本稿では,非剛性登録に基づく確率的アトラスを用いたマルチクラス全心セグメンテーションの枠組みを提案する。 また,高い到達可能な相互情報を得るためのマルチレゾリューション戦略を利用した非剛性登録パイプラインを提案する。 提案手法は,CTスキャンにおいて平均ボリュームオーバーラップ誤差が14.5 % であることを示す。
  論文  参考訳（メタデータ） (2021-02-03T01:02:09Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)
• 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。