論文の概要: A Novel Deep Learning Method for Segmenting the Left Ventricle in Cardiac Cine MRI

• arxiv url: http://arxiv.org/abs/2601.01512v1
• Date: Sun, 04 Jan 2026 12:43:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.456086
• Title: A Novel Deep Learning Method for Segmenting the Left Ventricle in Cardiac Cine MRI
• Title（参考訳）: 心内膜MRIにおける左室分割のための新しい深層学習法
• Authors: Wenhui Chu, Aobo Jin, Hardik A. Gohel,
• Abstract要約: GBU-Netは、シネMRIにおける左室分画の精度を大幅に改善する。 GBU-Netのアンサンブルは、SunnyBrookデータセットで97%のダイススコアを獲得している。
• 参考スコア（独自算出の注目度）: 0.9749560288448113
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This research aims to develop a novel deep learning network, GBU-Net, utilizing a group-batch-normalized U-Net framework, specifically designed for the precise semantic segmentation of the left ventricle in short-axis cine MRI scans. The methodology includes a down-sampling pathway for feature extraction and an up-sampling pathway for detail restoration, enhanced for medical imaging. Key modifications include techniques for better contextual understanding crucial in cardiac MRI segmentation. The dataset consists of 805 left ventricular MRI scans from 45 patients, with comparative analysis using established metrics such as the dice coefficient and mean perpendicular distance. GBU-Net significantly improves the accuracy of left ventricle segmentation in cine MRI scans. Its innovative design outperforms existing methods in tests, surpassing standard metrics like the dice coefficient and mean perpendicular distance. The approach is unique in its ability to capture contextual information, often missed in traditional CNN-based segmentation. An ensemble of the GBU-Net attains a 97% dice score on the SunnyBrook testing dataset. GBU-Net offers enhanced precision and contextual understanding in left ventricle segmentation for surgical robotics and medical analysis.
• Abstract（参考訳）: 本研究の目的は,グループバッチ正規化 U-Net フレームワークを用いた新しい深層学習ネットワーク GBU-Net を開発することである。 本発明の方法は、特徴抽出のためのダウンサンプリング経路と、医用イメージングのために強化された詳細な修復のためのアップサンプリング経路とを含む。 重要な修正には、心臓MRIのセグメンテーションにおいて重要なコンテキスト理解のための技術が含まれる。 このデータセットは,45例の左心室MRI805例からなる。 GBU-Netは、シネMRIにおける左室分画の精度を大幅に改善する。 その革新的な設計は既存の試験方法よりも優れており、サイス係数や平均垂直距離といった標準的な指標を上回っている。 従来のCNNベースのセグメンテーションでは欠落することが多い、コンテキスト情報をキャプチャできるという点で、このアプローチはユニークなものだ。 GBU-Netのアンサンブルは、SunnyBrookテストデータセットで97%のダイススコアを獲得している。 GBU-Netは、外科ロボティクスと医療分析のための左室セグメンテーションの精度の向上と文脈理解を提供する。

関連論文リスト

• Left Atrial Segmentation with nnU-Net Using MRI [0.0]
  近年, 深層学習法は, 医用画像のセグメンテーションタスクにおいて, 優れた性能を示した。 本研究では,自己構成型ディープラーニングセグメンテーションアーキテクチャであるnnU-Netフレームワークを左心房チャレンジ2013データセットに適用した。 このネットワークは左心房形態、肺コントラスト、画像品質の変動にまたがって堅牢な一般化を示し、心房体と近位静脈の両方を正確に描写した。
  論文  参考訳（メタデータ） (2025-11-06T05:23:45Z)
• CT-based brain ventricle segmentation via diffusion Schrödinger Bridge without target domain ground truths [0.9720086191214947]
  クリニカルCTスキャンによる高効率かつ正確な脳室分画は、腹腔鏡下手術のような緊急手術には不可欠である。 我々は,CTセグメント化の真偽を必要とせず,新しい不確実性に留意した心室分画法を導入する。 提案手法では拡散型Schr"odinger Bridgeと残像U-Netを併用し,画像診断とMRI検査を併用した。
  論文  参考訳（メタデータ） (2024-05-28T15:17:58Z)
• Automatic segmentation of lung findings in CT and application to Long COVID [38.69538648742266]
  S-MEDSegは胸部CT画像における肺病変の正確な分画のための深層学習に基づくアプローチである。 S-MEDSegは、トレーニング済みのEfficientNetバックボーン、双方向機能ピラミッドネットワーク、モダンネットワークの進化を組み合わせたものだ。
  論文  参考訳（メタデータ） (2023-10-13T23:42:43Z)
• ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset [36.278933802685316]
  このデータセットは、脳卒中病変の大きさ、量、位置の多様性が高い400のマルチベンダーMRI症例からなる。 n=250のトレーニングデータセットとn=150のテストデータセットに分けられる。 テストデータセットはモデル検証のみに使用され、一般にはリリースされない。
  論文  参考訳（メタデータ） (2022-06-14T08:54:40Z)
• Site Generalization: Stroke Lesion Segmentation on Magnetic Resonance Images from Unseen Sites [40.32385363670918]
  ストロークは様々な脳血管疾患の主要な原因である。 この課題に対して深層学習に基づくモデルが提案されているが、これらのモデルを見えない場所に一般化することは困難である。 SG-Netと呼ばれるU-netベースのセグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2022-05-09T14:33:06Z)
• Inter-slice Context Residual Learning for 3D Medical Image Segmentation [38.43650000401734]
  本稿では,3次元医用画像の正確なセグメンテーションのための3次元コンテキスト残差ネットワーク(ConResNet)を提案する。 このモデルはエンコーダ、セグメンテーションデコーダ、コンテキスト残留デコーダで構成される。 提案したConResNetは,脳腫瘍セグメンテーションにおける上位6つの方法と膵腫瘍セグメンテーションにおける上位7つの方法より正確である。
  論文  参考訳（メタデータ） (2020-11-28T16:03:39Z)
• 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)
• CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for Bi-ventricular Blood Pool and Myocardium Segmentation [0.0]
  本稿では,CondenseNetとDenseNetの両方を改良したメモリ効率の良い畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 実験の結果,提案アーキテクチャは自動心臓診断チャレンジデータセット上で動作していることがわかった。
  論文  参考訳（メタデータ） (2020-04-05T16:34:51Z)

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。