論文の概要: Cardiac fat segmentation using computed tomography and an image-to-image conditional generative adversarial neural network

• arxiv url: http://arxiv.org/abs/2605.20064v1
• Date: Tue, 19 May 2026 16:20:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.516329
• Title: Cardiac fat segmentation using computed tomography and an image-to-image conditional generative adversarial neural network
• Title（参考訳）: コンピュートトトモグラフィーと画像から画像へのコンフィグレーションによる心臓脂肪分画
• Authors: Guilherme Santos da Silva, Dalcimar Casanova, Jefferson Tales Oliva, Erick Oliveira Rodrigues,
• Abstract要約: 本研究では,2種類の心筋脂肪沈着の自律的分別と定量化を行う深層学習に基づく新しい手法を提案する。 本研究における2種類の脂肪沈着は心膜脂肪と縦隔脂肪と呼ばれ,心膜によって空間的に分離される。 実験の結果,心膜脂肪のセグメンテーションにおける平均精度は99.08%,f1スコアは98.73,97.90%,f1スコアは98.40であった。
• 参考スコア（独自算出の注目度）: 0.4294285419256581
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In recent years, research has highlighted the association between increased adipose tissue surrounding the human heart and elevated susceptibility to cardiovascular diseases such as atrial fibrillation and coronary heart disease. However, the manual segmentation of these fat deposits has not been widely implemented in clinical practice due to the substantial workload it entails for medical professionals and the associated costs. Consequently, the demand for more precise and time-efficient quantitative analysis has driven the emergence of novel computational methods for fat segmentation. This study presents a novel deep learning-based methodology that offers autonomous segmentation and quantification of two distinct types of cardiac fat deposits. The proposed approach leverages the pix2pix network, a generative conditional adversarial network primarily designed for image-to-image translation tasks. By applying this network architecture, we aim to investigate its efficacy in tackling the specific challenge of cardiac fat segmentation, despite not being originally tailored for this purpose. The two types of fat deposits of interest in this study are referred to as epicardial and mediastinal fats, which are spatially separated by the pericardium. The experimental results demonstrated an average accuracy of 99.08% and f1-score 98.73 for the segmentation of the epicardial fat and 97.90% of accuracy and f1-score of 98.40 for the mediastinal fat. These findings represent the high precision and overlap agreement achieved by the proposed methodology. In comparison to existing studies, our approach exhibited superior performance in terms of f1-score and run time, enabling the images to be segmented in real time.
• Abstract（参考訳）: 近年,ヒト心臓周囲の脂肪組織の増加と心房細動や冠動脈疾患などの心血管疾患への感受性の上昇との関連が注目されている。 しかし, 医療従事者の作業量と関連するコストのために, これらの脂肪沈殿物の手作業によるセグメンテーションは, 臨床実践において広く実施されていない。 その結果、より正確で時間効率の高い定量分析の需要が、脂肪分別のための新しい計算方法の出現を招いた。 本研究では,2種類の心筋脂肪沈着の自律的分別と定量化を行う深層学習に基づく新しい手法を提案する。 提案手法は,画像から画像への変換タスクを主目的とする生成条件付き対向ネットワークであるpix2pixネットワークを利用する。 このネットワークアーキテクチャを適用して、本来はこの目的に適合していないにもかかわらず、心臓脂肪分画の特定の課題に取り組む上での有効性を検討することを目的とする。 本研究における2種類の脂肪沈着は心膜脂肪と縦隔脂肪と呼ばれ,心膜によって空間的に分離される。 実験の結果,心膜脂肪のセグメンテーションにおける平均精度は99.08%,f1スコアは98.73,97.90%,f1スコアは98.40であった。 これらの結果は,提案手法によって達成された高精度かつ重複した一致を示す。 既存の研究と比較して,f1スコアと実行時間で優れた性能を示し,画像の分割をリアルタイムで行うことができた。

関連論文リスト

• Multi-Stage Segmentation and Cascade Classification Methods for Improving Cardiac MRI Analysis [15.236546465767026]
  心磁気共鳴画像のセグメンテーションと分類における深層学習に基づく新しいアプローチを提案する。 その結果,左心室では0.974,右心室では0.947のDice係数が得られた。 分類には,肥大型心筋症,心筋梗塞,拡張型心筋症などの心疾患を識別するために,深層学習分類器のカスケードが用いられた。
  論文  参考訳（メタデータ） (2024-12-12T15:53:14Z)
• EigenHearts: Cardiac Diseases Classification Using EigenFaces Approach [2.2851400085359685]
  心疾患の分類におけるEigenFacesアプローチの応用について検討した。 我々は、心エコー図法における固有顔アプローチから着想を得た前処理ステップを実行し、ポッドモードのセットを生成し、それを固有ハートと呼ぶ。 その結果,SVDを前処理に用いた場合,分類精度は約50%向上した。
  論文  参考訳（メタデータ） (2024-11-25T09:41:20Z)
• Body Fat Estimation from Surface Meshes using Graph Neural Networks [48.85291874087541]
  三角体表面メッシュを用いて,グラフニューラルネットワークを用いて,VATおよびASATボリュームを正確に予測できることを示す。 本手法は,この領域の最先端畳み込みニューラルネットワークと比較して,トレーニング時間と必要なリソースを削減しつつ高い性能を実現する。
  論文  参考訳（メタデータ） (2023-07-13T10:21:34Z)
• On the Automated Segmentation of Epicardial and Mediastinal Cardiac Adipose Tissues Using Classification Algorithms [0.9176056742068814]
  本研究は,心臓脂肪パッドの自動セグメンテーションのための新しい技術を提案する。 本手法は,心臓CT画像のセグメンテーションに分類アルゴリズムを適用することに基づく。 心内膜脂肪および縦隔脂肪の分類における平均精度は98.4%であった。
  論文  参考訳（メタデータ） (2022-08-30T15:57:02Z)
• 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 novel approach for the automated segmentation and volume quantification of cardiac fats on computed tomography [0.9786690381850356]
  本稿では,2種類の心臓脂肪の自律的分画と定量化のための統一的手法を提案する。 分節脂肪は心外および縦隔と呼ばれ、心膜によって互いに区別される。 提案手法は主に,所望のセグメンテーションを行うための登録アルゴリズムと分類アルゴリズムから構成される。
  論文  参考訳（メタデータ） (2021-12-21T17:38:06Z)
• Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
  心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。 これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。 形状と境界認識機能を利用する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-27T13:54:59Z)
• 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)

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。