論文の概要: Curriculum-Guided Myocardial Scar Segmentation for Ischemic and Non-ischemic Cardiomyopathy

• arxiv url: http://arxiv.org/abs/2603.28560v1
• Date: Mon, 30 Mar 2026 15:22:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.473017
• Title: Curriculum-Guided Myocardial Scar Segmentation for Ischemic and Non-ischemic Cardiomyopathy
• Title（参考訳）: 虚血性心筋症および非虚血性心筋症に対する心誘導型心筋スカーセグメンテーション
• Authors: Nivetha Jayakumar, Jonathan Pan, Shuo Wang, Bishow Paudel, Nisha Hosadurg, Cristiane C. Singulane, Sivam Bhatt, Amit R. Patel, Miaomiao Zhang,
• Abstract要約: 本研究では,課題条件下でのセグメンテーション性能の向上を目的としたカリキュラムベースのフレームワークを提案する。 提案手法は, セグメンテーションの精度と整合性を高めることを示し, 特に, 極小または拡散傷の症例について検討した。
• 参考スコア（独自算出の注目度）: 3.773891970719576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identification and quantification of myocardial scar is important for diagnosis and prognosis of cardiovascular diseases. However, reliable scar segmentation from Late Gadolinium Enhancement Cardiac Magnetic Resonance (LGE-CMR) images remains a challenge due to variations in contrast enhancement across patients, suboptimal imaging conditions such as post contrast washout, and inconsistencies in ground truth annotations on diffuse scars caused by inter observer variability. In this work, we propose a curriculum learning-based framework designed to improve segmentation performance under these challenging conditions. The method introduces a progressive training strategy that guides the model from high-confidence, clearly defined scar regions to low confidence or visually ambiguous samples with limited scar burden. By structuring the learning process in this manner, the network develops robustness to uncertain labels and subtle scar appearances that are often underrepresented in conventional training pipelines. Experimental results show that the proposed approach enhances segmentation accuracy and consistency, particularly for cases with minimal or diffuse scar, outperforming standard training baselines. This strategy provides a principled way to leverage imperfect data for improved myocardial scar quantification in clinical applications. Our code is publicly available on GitHub.
• Abstract（参考訳）: 心血管疾患の診断と予後には,心筋傷の同定と定量化が重要である。 しかし,LGE-CMR画像からの確実なスカーセグメンテーションは,患者間でのコントラスト増強の相違,コントラスト洗浄などの画像下条件,および観察者間変動によるびまん性障害に対するグラウンド真実アノテーションの不整合などにより,依然として課題である。 本研究では,これらの困難条件下でのセグメンテーション性能の向上を目的としたカリキュラムベースのフレームワークを提案する。 本手法では, 高信頼度, 鮮明に定義された傷痕領域から, 低信頼度, 難傷の少ない視覚的あいまいなサンプルまで, モデルを指導する進行的トレーニング戦略を導入する。 このように学習過程を構造化することにより、ネットワークは不確実なラベルに対する堅牢性と、従来の訓練パイプラインでしばしば表現されていない微妙な傷跡の出現を発達させる。 実験結果から,提案手法はセグメンテーションの精度と整合性を高めることが示唆された。 この戦略は、臨床応用における心筋傷の定量化を改善するために、不完全なデータを活用するための原則化された方法を提供する。 私たちのコードはGitHubで公開されています。

関連論文リスト

• Robust Deep Learning for Myocardial Scar Segmentation in Cardiac MRI with Noisy Labels [0.493599216374976]
  そこで我々は, 微細調整による心筋傷の自動検出とセグメンテーションのための, 堅牢なディープラーニングパイプラインを提案する。 急性と慢性の両方の症例でモデルの性能を評価し, 正確かつスムーズなセグメンテーションを創出できることを実証した。
  論文  参考訳（メタデータ） (2025-06-26T11:21:58Z)
• 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)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• 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)
• Joint Deep Learning for Improved Myocardial Scar Detection from Cardiac MRI [7.906794859364607]
  本稿では,同時に学習した心筋のセグメンテーションを活用することで,これらの課題を改善する新しい統合ディープラーニング(JDL)フレームワークを提案する。 提案手法では,心筋セグメンテーションの情報をガイドスカー検出器に直接渡すメッセージパッシングモジュールを提案する。 自動左室シンチグラフィー(LV)におけるJDLのLGE-CMR画像に対する効果を実証し,リスク予測の改善の可能性を示した。
  論文  参考訳（メタデータ） (2022-11-11T14:41:35Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• 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)

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。