論文の概要: FusionNet: a frame interpolation network for 4D heart models

• arxiv url: http://arxiv.org/abs/2603.10212v1
• Date: Tue, 10 Mar 2026 20:26:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.679194
• Title: FusionNet: a frame interpolation network for 4D heart models
• Title（参考訳）: FusionNet: 4次元心臓モデルのためのフレーム補間ネットワーク
• Authors: Chujie Chang, Shoko Miyauchi, Ken'ichi Morooka, Ryo Kurazume, Oscar Martinez Mozos,
• Abstract要約: 本研究では,高時間分解能で4次元(4次元)心臓運動を得るためのFusionNetというニューラルネットワークを提案する。 モデルは、隣接した形状に基づいて、中間的な3次元心臓形状を推定する。
• 参考スコア（独自算出の注目度）: 3.4253416336476246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiac magnetic resonance (CMR) imaging is widely used to visualise cardiac motion and diagnose heart disease. However, standard CMR imaging requires patients to lie still in a confined space inside a loud machine for 40-60 min, which increases patient discomfort. In addition, shorter scan times decrease either or both the temporal and spatial resolutions of cardiac motion, and thus, the diagnostic accuracy of the procedure. Of these, we focus on reduced temporal resolution and propose a neural network called FusionNet to obtain four-dimensional (4D) cardiac motion with high temporal resolution from CMR images captured in a short period of time. The model estimates intermediate 3D heart shapes based on adjacent shapes. The results of an experimental evaluation of the proposed FusionNet model showed that it achieved a performance of over 0.897 in terms of the Dice coefficient, confirming that it can recover shapes more precisely than existing methods. This code is available at: https://github.com/smiyauchi199/FusionNet.git
• Abstract（参考訳）: 心臓磁気共鳴(CMR)画像は、心臓運動の可視化や心臓疾患の診断に広く用いられている。 しかし、標準的なCMRイメージングでは、患者は40-60分間、大音量マシン内の狭い空間に留まる必要があり、患者の不快感が増す。 さらに, 心臓運動の時間分解能と空間分解能のいずれにおいても, スキャン時間が短くなり, 診断精度が向上した。 これらのうち、時間分解能の低下に着目し、短時間に撮像されたCMR画像から高時間分解能の4次元(4次元)心臓運動を得るためのFusionNetと呼ばれるニューラルネットワークを提案する。 モデルは、隣接した形状に基づいて、中間的な3次元心臓形状を推定する。 提案したFusionNetモデルの実験的評価の結果,Dice係数の0.897以上の性能を達成し,既存の手法よりも正確な形状の復元が可能であることを確認した。 https://github.com/smiyauchi199/FusionNet.git

関連論文リスト

• 4DRGS: 4D Radiative Gaussian Splatting for Efficient 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images [49.170407434313475]
  既存の手法は、しばしば最適以下の結果を生成するか、過剰な計算時間を必要とする。 高品質な高精細化を実現するため、4次元ガウススプラッティング(4DRGS)を提案する。 4DRGSは5分間のトレーニングで印象的な結果を得る。
  論文  参考訳（メタデータ） (2024-12-17T13:51:56Z)
• MedTet: An Online Motion Model for 4D Heart Reconstruction [59.74234226055964]
  本研究は, 術後の軽度データから3次元心臓運動を再構築するための新しいアプローチを提案する。 既存の方法では、フル3次元の体積像から3次元の臓器のジオメトリーを正確に再構築することができる。 このような部分的データから3次元運動を再構築するための汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-03T17:18:33Z)
• Temporal and Spatial Super Resolution with Latent Diffusion Model in Medical MRI images [0.0]
  スーパーレゾリューション(SR)はコンピュータビジョン、特に医用画像において重要な役割を果たす。 本稿では,Vector Quantized GAN(VQGAN)をベースとしたエンコーダデコーダアーキテクチャを併用したLatent Diffusion Model(LDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-29T20:13:00Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Error correcting 2D-3D cascaded network for myocardial infarct scar segmentation on late gadolinium enhancement cardiac magnetic resonance images [1.099532646524593]
  本稿では、完全自動で心筋梗塞の程度を計算できる畳み込みニューラルネットワーク(CNN)のケースケードフレームワークを提案する。 心筋梗塞のセグメンテーションにおいて,我々の枠組みは最先端の基準法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-26T14:21:18Z)
• Implicit Neural Networks with Fourier-Feature Inputs for Free-breathing Cardiac MRI Reconstruction [21.261567937245808]
  本研究は、心臓を暗黙のニューラルネットワークで表現し、心臓の表現が測定値と整合するようにネットワークを適合させる再構築手法を提案する。 提案手法は,最先端の未訓練畳み込みニューラルネットワークと同等あるいはわずかに優れた画像品質を実現する。
  論文  参考訳（メタデータ） (2023-05-11T14:14:30Z)
• Cine Cardiac MRI Motion Artifact Reduction Using a Recurrent Neural Network [18.433956246011466]
  本研究では,運動ブラスト心画像から空間的特徴と時間的特徴を同時に抽出するリカレントニューラルネットワークを提案する。 実験の結果,2つの臨床検査データセットの画質が有意に向上した。
  論文  参考訳（メタデータ） (2020-06-23T01:55:57Z)
• 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。