論文の概要: Fighting MRI Anisotropy: Learning Multiple Cardiac Shapes From a Single Implicit Neural Representation
- arxiv url: http://arxiv.org/abs/2602.11436v1
- Date: Wed, 11 Feb 2026 23:20:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-13 21:07:25.572622
- Title: Fighting MRI Anisotropy: Learning Multiple Cardiac Shapes From a Single Implicit Neural Representation
- Title（参考訳）: Fighting MRI anisotropy : 単発神経表現から複数の心臓形状を学習する
- Authors: Carolina Brás, Soufiane Ben Haddou, Thijs P. Kuipers, Laura Alvarez-Florez, R. Nils Planken, Fleur V. Y. Tjong, Connie Bezzina, Ivana Išgum,
- Abstract要約: そこで本研究では,心臓の近位等方性,高分解能CT(CTA)データを活用することを提案する。
我々はこのデータを用いて、任意の解像度でCMRIから心臓の形状を共同で表現するために、単一の暗黙関数を訓練する。
右心室 (RV) と心筋 (MYO) の再建法について検討し, 心内膜および心外膜左室表面を同時にモデル化した。
- 参考スコア（独自算出の注目度）: 0.6558127228160233
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The anisotropic nature of short-axis (SAX) cardiovascular magnetic resonance imaging (CMRI) limits cardiac shape analysis. To address this, we propose to leverage near-isotropic, higher resolution computed tomography angiography (CTA) data of the heart. We use this data to train a single neural implicit function to jointly represent cardiac shapes from CMRI at any resolution. We evaluate the method for the reconstruction of right ventricle (RV) and myocardium (MYO), where MYO simultaneously models endocardial and epicardial left-ventricle surfaces. Since high-resolution SAX reference segmentations are unavailable, we evaluate performance by extracting a 4-chamber (4CH) slice of RV and MYO from their reconstructed shapes. When compared with the reference 4CH segmentation masks from CMRI, our method achieved a Dice similarity coefficient of 0.91 $\pm$ 0.07 and 0.75 $\pm$ 0.13, and a Hausdorff distance of 6.21 $\pm$ 3.97 mm and 7.53 $\pm$ 5.13 mm for RV and MYO, respectively. Quantitative and qualitative assessment demonstrate the model's ability to reconstruct accurate, smooth and anatomically plausible shapes, supporting improvements in cardiac shape analysis.
- Abstract（参考訳）: 短軸(SAX)心血管共鳴画像(CMRI)の異方性は、心臓の形状解析を制限している。
そこで本研究では,心臓の近位等方性,高分解能CT(CTA)データを活用することを提案する。
我々はこのデータを用いて、任意の解像度でCMRIから心臓の形状を共同で表現するために、単一の暗黙関数を訓練する。
右心室 (RV) と心筋 (MYO) の再建法について検討し, 心内膜および心外膜左室表面を同時にモデル化した。
高分解能SAX参照セグメンテーションは利用できないため、再構成形状からRVとMYOの4-chamber (4CH)スライスを抽出して性能を評価する。
CMRIの参照4CHセグメンテーションマスクと比較して、Diceの類似係数は0.91$\pm$0.07と0.75$\pm$0.13であり、Hausdorff距離は6.21$\pm$3.97 mmと7.53$\pm$5.13 mmである。
定量的で質的な評価は、モデルが正確で滑らかで解剖学的に妥当な形状を再構築する能力を示し、心臓の形状解析の改善を支えている。
関連論文リスト
- Deformable Image Registration for Self-supervised Cardiac Phase Detection in Multi-View Multi-Disease Cardiac Magnetic Resonance Images [0.613184366698301]
個々の心周期は、自動時相比較またはサブフェーズ分析を複雑にする。
心臓磁気共鳴(CMR)検出のための自己教師型深層学習法を提案する。
EDおよびESでは,SAXでは30%～51%,4CHでは11%～47%の精度で検出精度が向上した。
論文 参考訳（メタデータ） (2025-10-07T11:40:17Z) - Time-Varying Coronary Artery Deformation: A Dynamic Skinning Framework for Surgical Training [33.92599418560439]
本研究は, 骨格スキンウェイトを用いた冠状動脈の動的モデリングフレームワークを提案する。
外科シミュレーションのリアルタイム性能を維持しつつ, 血管の変形を正確に制御することを目的としている。
論文 参考訳（メタデータ） (2025-03-04T02:51:37Z) - Whole Heart 3D+T Representation Learning Through Sparse 2D Cardiac MR Images [13.686473040836113]
本研究では,心臓スタック全体にわたる空間的パッチと時間的パッチの相関関係を自動的に解明する,完全自己教師型学習フレームワークを提案する。
我々は、UK BioBankから14,000のラベルなしCMRデータをトレーニングし、1000の注釈付きデータで評価する。
論文 参考訳（メタデータ） (2024-06-01T07:08:45Z) - Multi-view Hybrid Graph Convolutional Network for Volume-to-mesh Reconstruction in Cardiovascular MRI [43.47826598981827]
画像間直接抽出のための新しいアーキテクチャであるHybridVNetを紹介する。
グラフ構造として符号化することで,表面および体積メッシュを効率的に処理できることを示す。
我々のモデルは、従来の畳み込みネットワークと変分グラフ生成モデル、深い監督とメッシュ固有の正規化を組み合わせたものです。
論文 参考訳（メタデータ） (2023-11-22T21:51:29Z) - Semantic-aware Temporal Channel-wise Attention for Cardiac Function
Assessment [69.02116920364311]
既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。
本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。
提案手法は,0.22 MAE,0.26 RMSE,1.9%$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) - Shape of my heart: Cardiac models through learned signed distance functions [33.29148402516714]
本研究では、リプシッツ正則性を持つ3次元深部符号距離関数を用いて心臓の形状を再構成する。
この目的のために、心臓MRIの形状を学習し、複数の室の空間的関係をモデル化する。
また,本手法は1つの心室からの点雲などの部分的データから解剖モデルを再構築することも可能であることを示す。
論文 参考訳（メタデータ） (2023-08-31T09:02:53Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳（メタデータ） (2023-06-06T18:01:08Z) - Bayesian Optimization of 2D Echocardiography Segmentation [2.6947715121689204]
BOを用いて、深層畳み込みニューラルネットワークモデルのアーキテクチャおよびトレーニング関連ハイパーパラメータを最適化する。
左室心内膜(LV)、左心内膜(LV)、左心房に0.95、0.96、0.93の重なりがある。
また,LV終末容積の中央値絶対誤差を小さくするなど,導出性臨床指標の大幅な改善も観察した。
論文 参考訳（メタデータ） (2022-11-17T20:52:36Z) - 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) - A new method incorporating deep learning with shape priors for left
ventricular segmentation in myocardial perfusion SPECT images [14.185169567232055]
心筋灌流SPECT(MPS)による左室機能評価は, 正確な心筋セグメンテーションに依存している。
本研究の目的は,LV機能パラメータの自動計測のためのLV心筋を高精度に抽出するために,形状に深層学習を取り入れた新しい手法を開発し,検証することである。
論文 参考訳（メタデータ） (2022-06-07T22:12:11Z) - 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。