論文の概要: Protect the Brain When Treating the Heart: A Convolutional Neural Network for Detecting Emboli

• arxiv url: http://arxiv.org/abs/2604.22258v1
• Date: Fri, 24 Apr 2026 06:09:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.362351
• Title: Protect the Brain When Treating the Heart: A Convolutional Neural Network for Detecting Emboli
• Title（参考訳）: 心臓治療時の脳保護 : 塞栓症検出のための畳み込みニューラルネットワーク
• Authors: Andrea Angino, Ken Trotti, Diego Ulisse Pizzagalli, Rolf Krause, Tiziano Torre, Stefanos Demertzis,
• Abstract要約: ガス状ミクロエンボリ(GME)は、心臓の構造的介入の一般的な合併症である。 本稿では, 2.5D U-Netアーキテクチャをベースとして, 時空間接続データにGMEを分割する手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaseous microemboli (GME) represent a common complication of cardiac structural interventions across both surgical and transcatheter approaches. Transthoracic cardiac ultrasound imaging represents a convenient methodology to visualize the presence of circulating GME. However, their detection and quantification are far from trivial due to operator-dependent view, high velocity, and objects with similar structure in the background. Here, we propose an approach based on a 2.5D U-Net architecture to segment GME in space-time connected data. Such an approach yields robust detection against the background and high segmentation accuracy while retaining real-time execution speed. These properties facilitated the integration of the proposed pipeline into patient-monitoring surgical protocols, providing the quantification of GME area over time.
• Abstract（参考訳）: ガスマイクロエンボリ (GME) は, 外科的および経カテーテル的アプローチの両面において, 心的構造的介入の一般的な合併症である。 経胸壁心エコー画像は循環性GMEの存在を可視化する便利な方法である。 しかし、その検出と定量化は、演算子に依存したビュー、高速、および背景に類似した構造を持つオブジェクトのため、決して自明ではない。 本稿では, 2.5D U-Netアーキテクチャをベースとして, 時空間接続データにGMEを分割する手法を提案する。 このようなアプローチは、リアルタイム実行速度を維持しながら、バックグラウンドに対する堅牢な検出と高いセグメンテーション精度をもたらす。 これらの特性は、提案したパイプラインを患者監視手術プロトコルに統合し、時間とともにGME領域の定量化を可能にした。

関連論文リスト

• Contour-Guided Query-Based Feature Fusion for Boundary-Aware and Generalizable Cardiac Ultrasound Segmentation [6.121346238869986]
  本稿では,境界対応心エコー区分けのためのコンター型クエリリファインメントネットワーク(CGQR-Net)を提案する。 このフレームワークは、マルチレゾリューション特徴表現と輪郭から派生した構造的事前情報を統合する。 その結果, セグメンテーション精度の向上, 境界精度の向上, 様々な撮像条件におけるロバスト性能が得られた。
  論文  参考訳（メタデータ） (2026-03-30T07:17:40Z)
• GDKVM: Echocardiography Video Segmentation via Spatiotemporal Key-Value Memory with Gated Delta Rule [28.526034344479935]
  本稿では,心エコービデオセグメンテーションのための新しいアーキテクチャであるGDKVMを紹介する。 このモデルは、フレーム間の相関を効果的にモデル化するためにLKVA(Linear Key-Value Association)を採用し、中間記憶状態を効率的に保存するためにGated Delta Rule(GDR)を導入している。 我々は、GDKVMを2つの主流心エコー画像データセット(CAMUSとEchoNet-Dynamic)で検証し、様々な最先端の手法と比較した。実験結果、GDKVMは、セグメント化精度とロバスト性において既存の手法より優れており、リアルタイム性能が保証されている。
  論文  参考訳（メタデータ） (2025-12-11T03:19:50Z)
• Multi-scale Masked Autoencoder for Electrocardiogram Anomaly Detection [5.614826802517409]
  MMAE-ECGはECG信号を非重複セグメントに分割し、各セグメントは学習可能な位置埋め込みを割り当てる。 新しいマルチスケールマスキング戦略とマルチスケールアテンション機構は、異なる位置埋め込みとともに、軽量なトランスフォーマーエンコーダを実現する。
  論文  参考訳（メタデータ） (2025-02-08T08:18:38Z)
• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)
• Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
  リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。 第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。 第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
  論文  参考訳（メタデータ） (2024-04-12T20:39:19Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• 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)
• Heart Sound Segmentation using Bidirectional LSTMs with Attention [37.62160903348547]
  心電図(PCG)信号を心臓状態に分割するための新しい枠組みを提案する。 我々は近年の注目に基づく学習の進歩を利用してPCG信号のセグメンテーションを行う。 提案手法は,ヒトと動物の両方の心臓記録を含む複数のベンチマークにおいて,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2020-04-02T02:09:11Z)

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。