論文の概要: CMRINet: Joint Groupwise Registration and Segmentation for Cardiac Function Quantification from Cine-MRI

• arxiv url: http://arxiv.org/abs/2505.16452v1
• Date: Thu, 22 May 2025 09:36:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.197056
• Title: CMRINet: Joint Groupwise Registration and Segmentation for Cardiac Function Quantification from Cine-MRI
• Title（参考訳）: CMRINet:Cine-MRIによる心機能定量化のための共同グループ登録とセグメンテーション
• Authors: Mohamed S. Elmahdy, Marius Staring, Patrick J. H. de Koning, Samer Alabed, Mahan Salehi, Faisal Alandejani, Michael Sharkey, Ziad Aldabbagh, Andrew J. Swift, Rob J. van der Geest,
• Abstract要約: 本稿では,心血管MRI画像に対するグループワイド(GW)登録とセグメンテーションを共同で推定するエンド・ツー・エンドディープラーニング(DL)モデルを提案する。 Elastix と 2 つのDL-based method を用いた従来の GW 登録との比較により,提案手法により性能が向上し,計算時間が大幅に短縮された。
• 参考スコア（独自算出の注目度）: 1.2209275734872431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and efficient quantification of cardiac function is essential for the estimation of prognosis of cardiovascular diseases (CVDs). One of the most commonly used metrics for evaluating cardiac pumping performance is left ventricular ejection fraction (LVEF). However, LVEF can be affected by factors such as inter-observer variability and varying pre-load and after-load conditions, which can reduce its reproducibility. Additionally, cardiac dysfunction may not always manifest as alterations in LVEF, such as in heart failure and cardiotoxicity diseases. An alternative measure that can provide a relatively load-independent quantitative assessment of myocardial contractility is myocardial strain and strain rate. By using LVEF in combination with myocardial strain, it is possible to obtain a thorough description of cardiac function. Automated estimation of LVEF and other volumetric measures from cine-MRI sequences can be achieved through segmentation models, while strain calculation requires the estimation of tissue displacement between sequential frames, which can be accomplished using registration models. These tasks are often performed separately, potentially limiting the assessment of cardiac function. To address this issue, in this study we propose an end-to-end deep learning (DL) model that jointly estimates groupwise (GW) registration and segmentation for cardiac cine-MRI images. The proposed anatomically-guided Deep GW network was trained and validated on a large dataset of 4-chamber view cine-MRI image series of 374 subjects. A quantitative comparison with conventional GW registration using elastix and two DL-based methods showed that the proposed model improved performance and substantially reduced computation time.
• Abstract（参考訳）: 心血管疾患(CVD)の予後推定には,心臓機能の正確な定量化が不可欠である。 心臓ポンプ性能を評価するために最もよく用いられる指標の1つは左室放出率(LVEF)である。 しかし、LVEFは、サーバ間変動や様々なプリロードおよびアフターロード条件などの要因に影響され、再現性が低下する可能性がある。 加えて、心不全は、心不全や心毒性疾患などのLVEFの変化として常に現れるわけではない。 比較的負荷非依存性の心筋収縮度を定量的に評価できる別の尺度は、心筋のひずみとひずみ率である。 LVEFと心筋のひずみを併用することにより、心機能の詳細な記述を得ることができる。 LVEFおよびシネ-MRIシーケンスからの体積測定の自動化はセグメンテーションモデルにより達成できるが、ひずみ計算ではシーケンシャルフレーム間の組織変位の推定が必要であり、登録モデルを用いて達成できる。 これらのタスクは、しばしば別々に行われ、心臓機能の評価を制限する可能性がある。 そこで本研究では,心血管MRI画像に対するグループワイド(GW)登録とセグメンテーションを共同で推定するエンド・ツー・エンドディープラーニング(DL)モデルを提案する。 提案した解剖学的誘導型ディープGWネットワークは,374名の被験者による4面ビュー・シネMRI画像の大規模データセットを用いて訓練し,検証を行った。 Elastix と 2 つのDL-based method を用いた従来の GW 登録との比較により,提案手法により性能が向上し,計算時間が大幅に短縮された。

関連論文リスト

• Cardiac MRI Semantic Segmentation for Ventricles and Myocardium using Deep Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2025-04-18T00:54:30Z)
• 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)
• Deep Learning for Automatic Strain Quantification in Arrhythmogenic Right Ventricular Cardiomyopathy [0.0]
  CMRIによる心臓運動の定量化は、不整脈性右室心筋症(ARVC)診断の不可欠な部分である。 Inlicit Neural Representations (INR) とディープラーニングを用いた心臓運動自動評価法を開発した。 以上の結果から,スライス間アライメントと超解像ボリュームの生成と,2つの心像の同時解析が相まって,登録性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2023-11-24T12:55:36Z)
• 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)
• M(otion)-mode Based Prediction of Ejection Fraction using Echocardiograms [13.112371567924802]
  心エコー図のM(otion)モードを用いて左室流出率(EF)を推定し,心筋症を分類する。 心エコー図から複数の人工Mモード画像を生成し,既製のモデルアーキテクチャを用いて組み合わせる。 実験の結果,教師付き設定は10モードで収束し,ベースライン法に匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T15:00:58Z)
• Towards Enabling Cardiac Digital Twins of Myocardial Infarction Using Deep Computational Models for Inverse Inference [6.447210290674733]
  シミュレーションされたQRSから脳梗塞の位置と分布を推定するために,二分岐変分オートエンコーダと推論モデルからなる新しい深部計算モデルを提案する。 感度分析により、脳梗塞の特徴と電気生理学的特徴との複雑な関係の理解が促進される。
  論文  参考訳（メタデータ） (2023-07-10T08:54:12Z)
• 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)
• Spatio-temporal Multi-task Learning for Cardiac MRI Left Ventricle Quantification [6.887389908965403]
  心左心室(LV)形態の完全な測定セットを得るための学習時型マルチタスクアプローチを提案します。 まず,エンコーダデコーダネットワークを用いてLVを分割し,11のLV指標を回帰し,心相を分類する枠組みを導入する。 提案モデルは,mr画像から空間的特徴と特徴を抽出する3次元時空間畳み込みに基づく。
  論文  参考訳（メタデータ） (2020-12-24T17:48:35Z)
• 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。