論文の概要: CardioMorphNet: Cardiac Motion Prediction Using a Shape-Guided Bayesian Recurrent Deep Network
- arxiv url: http://arxiv.org/abs/2508.20734v1
- Date: Thu, 28 Aug 2025 12:58:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-29 18:12:02.394361
- Title: CardioMorphNet: Cardiac Motion Prediction Using a Shape-Guided Bayesian Recurrent Deep Network
- Title（参考訳）: CardioMorphNet:Shape-Guided Bayesian Recurrent Deep Networkを用いた心臓運動予測
- Authors: Reza Akbari Movahed, Abuzar Rezaee, Arezoo Zakeri, Colin Berry, Edmond S. L. Ho, Ali Gooya,
- Abstract要約: CardioMorphNetは、短軸画像を用いた3次元心臓形状誘導変形登録のためのベイズ学習フレームワークである。
心臓運動推定における優れた性能を示し、最先端の手法よりも優れた性能を示す。
- 参考スコア（独自算出の注目度）: 3.1848596170835854
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate cardiac motion estimation from cine cardiac magnetic resonance (CMR) images is vital for assessing cardiac function and detecting its abnormalities. Existing methods often struggle to capture heart motion accurately because they rely on intensity-based image registration similarity losses that may overlook cardiac anatomical regions. To address this, we propose CardioMorphNet, a recurrent Bayesian deep learning framework for 3D cardiac shape-guided deformable registration using short-axis (SAX) CMR images. It employs a recurrent variational autoencoder to model spatio-temporal dependencies over the cardiac cycle and two posterior models for bi-ventricular segmentation and motion estimation. The derived loss function from the Bayesian formulation guides the framework to focus on anatomical regions by recursively registering segmentation maps without using intensity-based image registration similarity loss, while leveraging sequential SAX volumes and spatio-temporal features. The Bayesian modelling also enables computation of uncertainty maps for the estimated motion fields. Validated on the UK Biobank dataset by comparing warped mask shapes with ground truth masks, CardioMorphNet demonstrates superior performance in cardiac motion estimation, outperforming state-of-the-art methods. Uncertainty assessment shows that it also yields lower uncertainty values for estimated motion fields in the cardiac region compared with other probabilistic-based cardiac registration methods, indicating higher confidence in its predictions.
- Abstract（参考訳）: 心臓機能の評価と異常の検出には, 心臓磁気共鳴(CMR)画像からの正確な心運動推定が不可欠である。
既存の方法は、心臓解剖学的領域を見渡すことができる強度に基づく画像登録類似性損失に依存するため、心臓の動きを正確に捉えるのに苦労することが多い。
そこで本研究では,短軸(SAX)CMR画像を用いた3次元心臓形状誘導変形性登録のためのベイズ学習フレームワークであるCardioMorphNetを提案する。
心循環の時空間依存性をモデル化するために、リカレントな変動型オートエンコーダと、両室セグメンテーションと運動推定のための2つの後部モデルを用いる。
ベイズ式から導出された損失関数は、逐次的なSAXボリュームと時空間的特徴を活用しつつ、強度に基づく画像登録類似性損失を使わずに、セグメントマップを再帰的に登録することにより、解剖学的領域にフォーカスする枠組みを導出する。
ベイズモデリングはまた、推定運動場に対する不確実性写像の計算を可能にする。
CardioMorphNetは、UK Biobankのデータセットで、変形したマスク形状と地面の真理マスクを比較して検証し、心臓の動きの推定において優れたパフォーマンスを示し、最先端の手法よりも優れています。
不確実性評価は、他の確率に基づく心臓登録法と比較して、心臓領域における推定運動場に対する不確実性も低く、その予測に高い信頼性を示すことを示している。
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) - CMRINet: Joint Groupwise Registration and Segmentation for Cardiac Function Quantification from Cine-MRI [1.2209275734872431]
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。
論文 参考訳（メタデータ） (2025-05-22T09:36:42Z) - 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) - Recovering Pulse Waves from Video Using Deep Unrolling and Deep Equilibrium Models [45.94962431110573]
カメラによるバイタルサインのモニタリング、つまりイメージング光胸腺撮影(i)は、運転監視、情動コンピューティングなどに応用されている。
本稿では,逆問題における信号処理と深層学習を組み合わせた手法を提案する。
論文 参考訳（メタデータ） (2025-03-21T16:11:21Z) - Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。
シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。
提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
論文 参考訳（メタデータ） (2024-12-23T13:05:17Z) - 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) - 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) - Multi-scale, Data-driven and Anatomically Constrained Deep Learning
Image Registration for Adult and Fetal Echocardiography [4.923733944174007]
胎児と成人のエコーにおける深層学習画像登録のための3つの戦略を組み合わせた枠組みを提案する。
以上の結果から, 良好な解剖学的トポロジーと画像テクスチャは, 形状符号化およびデータ駆動型対向損失と強く結びついていることが判明した。
当社のアプローチは,光学フローやElastixなど,従来の非DLゴールド登録手法よりも優れています。
論文 参考訳（メタデータ） (2023-09-02T05:33:31Z) - Motion Pyramid Networks for Accurate and Efficient Cardiac Motion
Estimation [51.72616167073565]
本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。
我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。
そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
論文 参考訳（メタデータ） (2020-06-28T21:03:19Z)
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。