論文の概要: LA-CaRe-CNN: Cascading Refinement CNN for Left Atrial Scar Segmentation

• arxiv url: http://arxiv.org/abs/2508.04553v1
• Date: Wed, 06 Aug 2025 15:37:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.792866
• Title: LA-CaRe-CNN: Cascading Refinement CNN for Left Atrial Scar Segmentation
• Title（参考訳）: LA-CaRe-CNN : 左心房分離用カスケーディングリファインメントCNN
• Authors: Franz Thaler, Darko Stern, Gernot Plank, Martin Urschler,
• Abstract要約: 心房細動(英: atrial fibrillation, AF)は、患者にアブレーション療法を施行する必要がある心不整脈の最も多いタイプである。 患者固有の心臓デジタル双生児モデルでは、パーソナライズされたアブレーション療法の可能性が大きい。 左心房および左心房遺残組織を正確に分類するために左心房空洞留置CNN(LA-CaRe-CNN)を提案する。
• 参考スコア（独自算出の注目度）: 0.49923266458151416
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Atrial fibrillation (AF) represents the most prevalent type of cardiac arrhythmia for which treatment may require patients to undergo ablation therapy. In this surgery cardiac tissues are locally scarred on purpose to prevent electrical signals from causing arrhythmia. Patient-specific cardiac digital twin models show great potential for personalized ablation therapy, however, they demand accurate semantic segmentation of healthy and scarred tissue typically obtained from late gadolinium enhanced (LGE) magnetic resonance (MR) scans. In this work we propose the Left Atrial Cascading Refinement CNN (LA-CaRe-CNN), which aims to accurately segment the left atrium as well as left atrial scar tissue from LGE MR scans. LA-CaRe-CNN is a 2-stage CNN cascade that is trained end-to-end in 3D, where Stage 1 generates a prediction for the left atrium, which is then refined in Stage 2 in conjunction with the original image information to obtain a prediction for the left atrial scar tissue. To account for domain shift towards domains unknown during training, we employ strong intensity and spatial augmentation to increase the diversity of the training dataset. Our proposed method based on a 5-fold ensemble achieves great segmentation results, namely, 89.21% DSC and 1.6969 mm ASSD for the left atrium, as well as 64.59% DSC and 91.80% G-DSC for the more challenging left atrial scar tissue. Thus, segmentations obtained through LA-CaRe-CNN show great potential for the generation of patient-specific cardiac digital twin models and downstream tasks like personalized targeted ablation therapy to treat AF.
• Abstract（参考訳）: 心房細動(英: atrial fibrillation, AF)は、患者にアブレーション療法を施行する必要がある心不整脈の最も多いタイプである。 この手術では、電気信号が不整脈を引き起こすのを防ぐために、心臓組織が局所的に傷ついている。 患者固有の心筋デジタル双生児モデルでは、パーソナライズされたアブレーション療法の可能性が非常に高いが、彼らは一般的に後期ガドリニウム増強(LGE)磁気共鳴(MR)スキャンから得られる健康組織と傷部組織の正確なセグメンテーションを必要としている。 本研究は,左心房と左心房の傷部組織をLGE MRスキャンで正確に分別することを目的とした左心房迷走再建CNN (LA-CaRe-CNN) を提案する。 LA-CaRe-CNNは3Dでエンドツーエンドに訓練された2段階のCNNカスケードであり、ステージ1は左心房の予知を生成し、その後、元の画像情報とともにステージ2で洗練され、左心房傷組織の予知を得る。 トレーニング中に未知の領域へのドメインシフトを考慮し,トレーニングデータセットの多様性を高めるために,強い強度と空間拡張を用いる。 左房に89.21%のDSCと1.6969mmのASSD,64.59%のDSCと91.80%のG-DSCを併用して左心房の傷部組織を同定した。 LA-CaRe-CNNを用いて得られたセグメンテーションは、患者固有の心臓デジタル双生児モデルや、AF治療のためのパーソナライズされた目標アブレーション治療のような下流タスクの生成に大きな可能性を示す。

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-Model Ensemble Approach for Accurate Bi-Atrial Segmentation in LGE-MRI of Atrial Fibrillation Patients [3.676588766498097]
  心房細動(AF)は、心臓不整脈の最も多い形態であり、死亡率と死亡率の増加と関連している。 この研究は、Unet、ResNet、EfficientNet、VGGを含む複数の機械学習モデルを統合するアンサンブルアプローチを示し、LGE-MRIデータから自動両房セグメンテーションを実行する。
  論文  参考訳（メタデータ） (2024-09-24T13:33:46Z)
• Multi-Source and Multi-Sequence Myocardial Pathology Segmentation Using a Cascading Refinement CNN [0.49923266458151416]
  心筋組織の生存性を評価するために, セマンティックセグメンテーションを生成するMulti-Sequence Cascading Refinement CNN(MS-CaRe-CNN)を提案する。 MS-CaRe-CNNは、心筋組織の生存可能性を評価するためにセマンティックセグメンテーションを生成するのに適している。
  論文  参考訳（メタデータ） (2024-09-19T14:01:15Z)
• 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)
• CaRe-CNN: Cascading Refinement CNN for Myocardial Infarct Segmentation with Microvascular Obstructions [0.29958858726265647]
  Cascading Refinement CNN (CaRe-CNN) は、完全に3Dでエンドツーエンドのトレーニングを受けた3段階のCNNケースである。 CaRe-CNNはFIMH 2023 MYOSAIQチャレンジに出場し、18チーム中2位にランクインした。
  論文  参考訳（メタデータ） (2023-12-18T16:10:18Z)
• 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)
• Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
  我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。 これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
  論文  参考訳（メタデータ） (2023-08-24T15:32:27Z)
• JAS-GAN: Generative Adversarial Network Based Joint Atrium and Scar Segmentations on Unbalanced Atrial Targets [11.507811388835348]
  本研究では,不均衡な心房ターゲットを識別するカスケード間対向ネットワーク,すなわち JAS-GAN を提案する。 Jas-GANは、不均衡な心房ターゲットのセグメンテーションタスクを自動的に関連付ける適応的注意カスケードを調査します。 主に、LAと心房の傷が実際のものと一致するよう、推定された共同分布を強制する。
  論文  参考訳（メタデータ） (2021-05-01T12:33:02Z)
• Multiple Sclerosis Lesion Activity Segmentation with Attention-Guided Two-Path CNNs [49.32653090178743]
  畳み込みニューラルネットワーク(CNN)は2つの時点から病変活動のセグメンテーションについて研究されている。 CNNは、異なる方法で2つのポイントからの情報を組み合わせて設計され、評価される。 深層学習に基づく手法が古典的アプローチより優れていることが実証された。
  論文  参考訳（メタデータ） (2020-08-05T08:49:20Z)
• 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)
• Simultaneous Left Atrium Anatomy and Scar Segmentations via Deep Learning in Multiview Information with Attention [14.252180320919551]
  心房細動(AF)患者における左心房粗動の3次元遅発性心MR(LGE)強調法(CMR)は,近年,患者を成層化するための有望な手法として注目されている。 これは、高強度の傷痕組織の分節と左房解剖(LA)の分節を必要とする。 マルチビュー2タスク(MVTT)に基づく共同セグメンテーション手法を提案する。 3D LGE CMR画像を直接作業することで、LAを分割し、傷跡をデライン化することができる。
  論文  参考訳（メタデータ） (2020-02-02T18:03:44Z)

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。