論文の概要: S2MNet: Speckle-To-Mesh Net for Three-Dimensional Cardiac Morphology Reconstruction via Echocardiogram

• arxiv url: http://arxiv.org/abs/2505.06105v1
• Date: Fri, 09 May 2025 14:56:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.302516
• Title: S2MNet: Speckle-To-Mesh Net for Three-Dimensional Cardiac Morphology Reconstruction via Echocardiogram
• Title（参考訳）: S2MNet:心エコーによる3次元心形態再建のためのスペックル・トゥ・メッシュネット
• Authors: Xilin Gong, Yongkai Chen, Shushan Wu, Fang Wang, Ping Ma, Wenxuan Zhong,
• Abstract要約: ほとんどの臨床心エコー図は2次元像のみを提供し、3次元の心臓解剖と機能を完全に評価する能力を制限する。 本研究では,日常的に取得した2次元心エコー図の6つのスライスを統合することで,連続的かつ高忠実な3次元心臓モデルを再構築する深層学習フレームワークS2MNetを提案する。
• 参考スコア（独自算出の注目度）: 8.28431711854234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Echocardiogram is the most commonly used imaging modality in cardiac assessment duo to its non-invasive nature, real-time capability, and cost-effectiveness. Despite its advantages, most clinical echocardiograms provide only two-dimensional views, limiting the ability to fully assess cardiac anatomy and function in three dimensions. While three-dimensional echocardiography exists, it often suffers from reduced resolution, limited availability, and higher acquisition costs. To overcome these challenges, we propose a deep learning framework S2MNet that reconstructs continuous and high-fidelity 3D heart models by integrating six slices of routinely acquired 2D echocardiogram views. Our method has three advantages. First, our method avoid the difficulties on training data acquasition by simulate six of 2D echocardiogram images from corresponding slices of a given 3D heart mesh. Second, we introduce a deformation field-based method, which avoid spatial discontinuities or structural artifacts in 3D echocardiogram reconstructions. We validate our method using clinically collected echocardiogram and demonstrate that our estimated left ventricular volume, a key clinical indicator of cardiac function, is strongly correlated with the doctor measured GLPS, a clinical measurement that should demonstrate a negative correlation with LVE in medical theory. This association confirms the reliability of our proposed 3D construction method.
• Abstract（参考訳）: エコー心電図は、非侵襲性、リアルタイム能力、費用対効果に最もよく用いられる画像モダリティである。 その利点にもかかわらず、ほとんどの臨床心エコー図は2次元のビューのみを提供し、心臓解剖学と機能を完全に3次元で評価する能力を制限する。 三次元心エコー法は存在するが、解像度の低下、可用性の制限、取得コストの上昇に悩まされることが多い。 これらの課題を克服するために,日常的に取得された2次元心エコービューの6つのスライスを統合することで,連続的かつ高忠実な3次元心臓モデルを再構築するディープラーニングフレームワークS2MNetを提案する。 私たちの方法には3つの利点がある。 まず,所与の3次元心メッシュのスライスから2次元心エコー画像の6つをシミュレートすることにより,データ知識の訓練の難しさを回避する。 第2に,3次元心エコー図再構成における空間的不連続性や構造的アーティファクトを回避する変形場に基づく手法を提案する。 心機能評価の指標である左室容積とGLPS値との相関が強く, 臨床検査ではLVE値と負の相関を示すことが示唆された。 本研究は,提案手法の信頼性を確認した。

関連論文リスト

• Sequence-aware Pre-training for Echocardiography Probe Guidance [66.35766658717205]
  心臓超音波は、(1)心臓の本質的に複雑な構造、(2)重要な個人差の2つの大きな課題に直面している。 これまでの研究は、心臓のパーソナライズされた構造的特徴よりも、心臓の2Dおよび3Dの人口平均構造についてしか学ばなかった。 パーソナライズされた2次元と3次元の心構造特徴を学習するためのシーケンス認識型自己教師付き事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-08-27T12:55:54Z)
• Structure-aware World Model for Probe Guidance via Large-scale Self-supervised Pre-train [66.35766658717205]
  心エコー法を成功させるには、二次元平面上の構造と三次元空間における平面間の空間的関係を徹底的に理解する必要がある。 心構造を意識した世界モデルを取得するための,大規模自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-06-28T08:54:44Z)
• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• Continuous 3D Myocardial Motion Tracking via Echocardiography [30.19879953016694]
  心筋運動追跡は、心臓血管疾患の予防と検出に不可欠な臨床ツールである。 現在の技術は、空間次元と時間次元の両方において、心筋の不完全かつ不正確な運動推定に悩まされている。 本稿では, 心臓の3次元構造と包括的6次元前/後方運動をモデル化するためのニューラル心運動場(ニューラルCMF)について紹介する。
  論文  参考訳（メタデータ） (2023-10-04T13:11:20Z)
• SimLVSeg: Simplifying Left Ventricular Segmentation in 2D+Time Echocardiograms with Self- and Weakly-Supervised Learning [0.8672882547905405]
  狭義の心エコービデオから一貫した左室(LV)セグメンテーションを行うビデオベースネットワークであるSimLVSegを開発した。 SimLVSegは、時間的マスキングによる自己教師付き事前トレーニングと、スパースアノテーションからのLVセグメンテーションに適した弱い教師付き学習で構成されている。 我々は、SimLVSegが、最大の2D+時間心エコー画像データセットで93.32%のダイススコアを達成して、最先端のソリューションをいかに優れているかを実証する。
  論文  参考訳（メタデータ） (2023-09-30T18:13:41Z)
• Error correcting 2D-3D cascaded network for myocardial infarct scar segmentation on late gadolinium enhancement cardiac magnetic resonance images [0.0]
  完全自動で心筋梗塞の程度を計算できる2次元および3次元畳み込みニューラルネットワーク(CNN)のケースケードフレームワークを提案する。 EMIDECチャレンジのトレーニングデータセットを用いて,提案手法を5倍のクロスバリデーションで評価し,評価した。
  論文  参考訳（メタデータ） (2023-06-26T14:21:18Z)
• Efficient Pix2Vox++ for 3D Cardiac Reconstruction from 2D echo views [0.6524460254566904]
  3Dで心臓解剖を再構築することで、新しいバイオマーカーの発見が可能になる。 ほとんどの超音波システムは2Dイメージング機能しか持たない。 本稿では,2次元標準心磁図から3次元解剖の再構築を行うパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-07-27T10:05:46Z)

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。