論文の概要: Robust Deep Learning for Myocardial Scar Segmentation in Cardiac MRI with Noisy Labels

• arxiv url: http://arxiv.org/abs/2506.21151v1
• Date: Thu, 26 Jun 2025 11:21:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:10.058042
• Title: Robust Deep Learning for Myocardial Scar Segmentation in Cardiac MRI with Noisy Labels
• Title（参考訳）: ノイズラベルを用いた心臓MRIにおける心筋スカーセグメンテーションのためのロバストディープラーニング
• Authors: Aida Moafi, Danial Moafi, Evgeny M. Mirkes, Gerry P. McCann, Abbas S. Alatrany, Jayanth R. Arnold, Mostafa Mehdipour Ghazi,
• Abstract要約: そこで我々は, 微細調整による心筋傷の自動検出とセグメンテーションのための, 堅牢なディープラーニングパイプラインを提案する。 急性と慢性の両方の症例でモデルの性能を評価し, 正確かつスムーズなセグメンテーションを創出できることを実証した。
• 参考スコア（独自算出の注目度）: 0.493599216374976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The accurate segmentation of myocardial scars from cardiac MRI is essential for clinical assessment and treatment planning. In this study, we propose a robust deep-learning pipeline for fully automated myocardial scar detection and segmentation by fine-tuning state-of-the-art models. The method explicitly addresses challenges of label noise from semi-automatic annotations, data heterogeneity, and class imbalance through the use of Kullback-Leibler loss and extensive data augmentation. We evaluate the model's performance on both acute and chronic cases and demonstrate its ability to produce accurate and smooth segmentations despite noisy labels. In particular, our approach outperforms state-of-the-art models like nnU-Net and shows strong generalizability in an out-of-distribution test set, highlighting its robustness across various imaging conditions and clinical tasks. These results establish a reliable foundation for automated myocardial scar quantification and support the broader clinical adoption of deep learning in cardiac imaging.
• Abstract（参考訳）: 臨床評価と治療計画には, 心臓MRIによる心筋傷の正確なセグメンテーションが不可欠である。 本研究では, 微細調整状態モデルによる完全自動心筋傷検出とセグメンテーションのための, 堅牢なディープラーニングパイプラインを提案する。 この手法は,Kullback-Leibler損失と拡張データを用いて,半自動アノテーション,データ不均一性,クラス不均衡といったラベルノイズの問題を明示的に解決する。 急性および慢性の症例におけるモデルの性能を評価し,ノイズラベルによらず,正確かつスムーズなセグメンテーションを創出できることを実証した。 特に,本手法は, nnU-Netのような最先端モデルより優れ, 分布外のテストセットにおいて高い一般化性を示し, 様々な画像条件や臨床タスクにおける堅牢性を強調している。 以上の結果から, 自動心筋傷定量化の基盤が確立され, 心画像における深部学習の広範な臨床応用が期待できる。

関連論文リスト

• Global and Local Contrastive Learning for Joint Representations from Cardiac MRI and ECG [40.407824759778784]
  PTACL(Patient and Temporal Alignment Contrastive Learning)は、CMRからの時間情報を統合することで、ECG表現を強化するマルチモーダルコントラスト学習フレームワークである。 英国バイオバンクの被験者27,951名を対象に,ペア心電図-CMRデータを用いたPTACLの評価を行った。 心電図を用いた非侵襲的心臓診断におけるPTACLの有用性について検討した。
  論文  参考訳（メタデータ） (2025-06-24T17:19:39Z)
• CLAIM: Clinically-Guided LGE Augmentation for Realistic and Diverse Myocardial Scar Synthesis and Segmentation [3.052913696182197]
  CLAIM: textbfClinically-Guided textbfLGE textbfAugmentation for Realtextbfiiyocardial Scar Synthesis and framework。 SMILEモジュールは、臨床で採用されているAHA 17セグメントモデルで拡散ベースのジェネレータを条件に、解剖学的に一貫性があり空間的に多様な傷跡パターンで画像を合成する。 実験結果から, CLAIMは解剖学的に整合性のある傷跡パターンを生成し, ベースラインモデルと比較してDiceと実際の傷跡分布との類似性が高いことがわかった。
  論文  参考訳（メタデータ） (2025-06-18T15:21:34Z)
• 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)
• Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
  そこで本研究では,周期型ECG表現学習手法を提案する。 心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。 本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T10:03:52Z)
• Automatic diagnosis of cardiac magnetic resonance images based on semi-supervised learning [4.568207745795955]
  本稿では,心臓画像の自動分割と補助診断のための半教師付きモデルを提案する。 このモデルは、心臓画像の完全自動化された高精度セグメンテーション、特徴抽出、臨床指標の計算、疾患の予測を実現する。
  論文  参考訳（メタデータ） (2024-05-23T08:21:03Z)
• Advanced Neural Network Architecture for Enhanced Multi-Lead ECG Arrhythmia Detection through Optimized Feature Extraction [0.0]
  不規則な心臓リズムを特徴とする不整脈は、深刻な診断課題を呈する。 本研究では,不整脈分類の複雑さに対処するために,ディープラーニング技術を活用した革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-04-13T19:56:15Z)
• DDSB: An Unsupervised and Training-free Method for Phase Detection in Echocardiography [37.32413956117856]
  本研究では,End-Diastolic (ED) フレームとEnd-Systolic (ES) フレームを識別するための教師なしおよびトレーニング不要な手法を提案する。 アンカー点の同定と方向変形解析により,初期セグメンテーション画像の精度への依存性を効果的に低減する。 本手法は,学習モデルと同等の精度を,関連する欠点を伴わずに達成する。
  論文  参考訳（メタデータ） (2024-03-19T14:51:01Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Deep learning based ECG segmentation for delineation of diverse arrhythmias [0.0]
  多様な不整脈に着目した心電図記述のためのU-Netライクセグメンテーションモデルを提案する。 これに続いて後処理アルゴリズムがノイズを除去し、P、QRS、T波の境界を自動的に決定する。 F1スコアはQRSおよびT波の99%,LUDBデータセットのP波の97%以上である。
  論文  参考訳（メタデータ） (2023-04-13T03:20:45Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• 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)
• Heart Sound Segmentation using Bidirectional LSTMs with Attention [37.62160903348547]
  心電図(PCG)信号を心臓状態に分割するための新しい枠組みを提案する。 我々は近年の注目に基づく学習の進歩を利用してPCG信号のセグメンテーションを行う。 提案手法は,ヒトと動物の両方の心臓記録を含む複数のベンチマークにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-04-02T02:09:11Z)

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。