論文の概要: Progressive Learning with Anatomical Priors for Reliable Left Atrial Scar Segmentation from Late Gadolinium Enhancement MRI
- arxiv url: http://arxiv.org/abs/2603.26186v1
- Date: Fri, 27 Mar 2026 08:58:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-30 21:49:48.412939
- Title: Progressive Learning with Anatomical Priors for Reliable Left Atrial Scar Segmentation from Late Gadolinium Enhancement MRI
- Title（参考訳）: 後期ガドリニウム造影MRIによる左心房細動に対する解剖学的先行学習
- Authors: Jing Zhang, Bastien Bergere, Emilie Bollache, Jonas Leite, Mikaël Laredo, Alban Redheuil, Nadjia Kachenoura,
- Abstract要約: 臨床ワークフローからインスパイアされたLGE画像からLAの傷跡を抽出するプログレッシブラーニング戦略を提案する。
第1のLA空洞前学習モデル,第2のLA幾何と傷痕パターンの空間的関係を学習するデュアルタスクモデル,第3の傷痕の精密セグメンテーションを微調整する3段階のSwinUNETRに基づくフレームワークを実装した。
LAセグメンテーションはDiceスコア0.94,LAスカーセグメンテーションはDiceスコア0.50,Hausdorff Distanceは11.84mmであった。
- 参考スコア（独自算出の注目度）: 4.94301875696343
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiac MRI late gadolinium enhancement (LGE) enables non-invasive identification of left atrial (LA) scar, whose spatial distribution is strongly associated with atrial fibrillation (AF) severity and recurrence. However, automatic LA scar segmentation remains challenging due to low contrast, annotation variability, and the lack of anatomical constraints, often leading to non-reliable predictions. Accordingly, our aim was to propose a progressive learning strategy to segment LA scar from LGE images inspired from a clinical workflow. A 3-stage framework based on SwinUNETR was implemented, comprising: 1) a first LA cavity pre-learning model, 2) dual-task model which further learns spatial relationship between LA geometry and scar patterns, and 3) fine-tuning on precise segmentation of the scar. Furthermore, we introduced an anatomy-aware spatially weighted loss that incorporates prior clinical knowledge by constraining scar predictions to anatomically plausible LA wall regions while mitigating annotation bias. Our preliminary results obtained on validation LGE volumes from LASCARQS public dataset after 5-fold cross validation, LA segmentation had Dice score of 0.94, LA scar segmentation achieved Dice score of 0.50, Hausdorff Distance of 11.84 mm, Average Surface Distance of 1.80 mm, outperforming only a one-stage scar segmentation with 0.49, 13.02 mm, 1.96 mm, repectively. By explicitly embedding clinical anatomical priors and diagnostic reasoning into deep learning, the proposed approach improved the accuracy and reliability of LA scar segmentation from LGE, revealing the importance of clinically informed model design.
- Abstract（参考訳）: 左心房細動 (AF) の重症度と再発度に強く関連し, 左心房(LA)傷の非侵襲的同定が可能となった。
しかし、低コントラスト、アノテーションの可変性、解剖学的制約の欠如などにより、自動LAスカーセグメンテーションは依然として困難であり、しばしば信頼性の低い予測に繋がる。
そこで本研究の目的は,臨床ワークフローからインスパイアされたLGE画像からLAの傷跡を抽出するプログレッシブラーニング戦略を提案することである。
SwinUNETRをベースとした3段階フレームワークが実装された。
1)最初のLA空洞前学習モデル。
2)LA幾何と傷跡パターンの空間的関係を更に学習するデュアルタスクモデル
3)傷痕の精密なセグメンテーションを微調整する。
さらに, 解剖学的に妥当なLA壁領域に傷跡予測を拘束し, 先行臨床知識を取り入れた解剖学的重み付き損失を導入し, アノテーションバイアスを緩和した。
LAセグメンテーションではDiceスコアが0.94, LAスカーセグメンテーションが0.50, ハウスドルフ距離が11.84mm, 平均表面距離が1.80mm, 片段スカーセグメンテーションが0.49, 13.02mm, 1.96mmであった。
臨床解剖学的先行と診断的推論を深層学習に明示的に組み込むことにより,LGEのLAスカーセグメンテーションの精度と信頼性を改善し,臨床情報を用いたモデル設計の重要性を明らかにした。
関連論文リスト
- Hide-and-Seek Attribution: Weakly Supervised Segmentation of Vertebral Metastases in CT [68.09387763135236]
脊椎レベルの健康・悪性のラベルにのみ、病変マスクを伴わずに訓練を施した弱い指導方法を提案する。
マスクの監視がないにも関わらず,強い爆発・解析性能を達成する。
論文 参考訳（メタデータ） (2025-12-07T14:03:28Z) - 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) - Automatically Segment the Left Atrium and Scars from LGE-MRIs Using a
Boundary-focused nnU-Net [8.27752923297381]
我々は、LA空洞を自動的に分割し、後期ガドリニウム強調磁気共鳴イメージング(LGE-MRI)によるLA傷の定量化を提案する。
具体的には、LA境界画素の焦点をトレーニング中に達成し、より正確な境界予測を提供する。
LAScarQS 2022データセットの実験では、LA空洞とLA傷痕のセグメンテーションにおいて、我々のモデルの優れた性能が示された。
論文 参考訳（メタデータ） (2023-04-27T10:05:37Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - 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) - Anatomically-Informed Deep Learning on Contrast-Enhanced Cardiac MRI for
Scar Segmentation and Clinical Feature Extraction [6.386874708851962]
コントラスト・エンハンスメント(LGE)を用いた心臓磁気共鳴画像(CMR)による心臓の傷跡と線維化の可視化は、疾患の進行と不整脈の病態生理学的基質の定量化において最重要である。
本稿では,左室(LV)と難治/線維化分節の完全自動深層学習ソリューションと,LGE-CMRによる臨床像抽出について述べる。
この技術は、3つのカスケード畳み込みニューラルネットワークによって、生のLGE-CMR画像から心筋と線維化を分離し、解剖学的ガイドラインの中でこれらのセグメンテーションを拘束する。
論文 参考訳（メタデータ） (2020-10-21T15:43:08Z) - AtrialJSQnet: A New Framework for Joint Segmentation and Quantification
of Left Atrium and Scars Incorporating Spatial and Shape Information [22.162571400010467]
臨床では左心房(LA)と後期ガドリニウム造影MRI(LGE MRI)の心房粗動が重要な課題である。
従来の手法は通常2つの課題を独立に解決し、LAと傷跡の固有の空間的関係を無視した。
AtrialJSQnetと呼ばれる新しいフレームワークを開発し、LAセグメンテーション、LA表面へのスカープロジェクション、およびスカーの定量化をエンドツーエンド形式で同時に行う。
論文 参考訳（メタデータ） (2020-08-11T14:44:19Z) - 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。