論文の概要: Automatic Echocardiography Segmentation via Transition Probability Correlation for Stable Semantic Extraction
- arxiv url: http://arxiv.org/abs/2607.07580v1
- Date: Wed, 08 Jul 2026 16:04:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.453187
- Title: Automatic Echocardiography Segmentation via Transition Probability Correlation for Stable Semantic Extraction
- Title（参考訳）: 安定意味抽出のための遷移確率相関による心エコー自動分割法
- Abstract要約: 不規則なスペックルノイズと低信号対雑音比は、あいまいな意味的特徴と断片的境界をもたらす。
ウィンドウマッチングに基づくセマンティック・リコメンデーション・コンポーネントとセマンティックス誘導型テクスチャ・エンハンスメント・コンポーネントからなるSTLSFモジュールを設計する。
CAMUSでは93.87%、EchoNet-Dynamicでは92.62%、HD95値は3.29mmと2.73mmである。
- 参考スコア（独自算出の注目度）: 24.0739266805929
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While echocardiography is essential for cardiovascular diagnosis, inherent speckle noise and low signal-to-noise ratio often lead to ambiguous semantic features and fragmented boundaries. These limitations significantly hinder the segmentation accuracy of deep learning models in complex clinical cases. Moreover, temporal motion of the heart plays a critical role in recognizing anatomical structures. To address these challenges, we designed a STLSF module which comprises a window-matching-based semantic correction component and a semantics-guided texture enhancement component. By leveraging local transition probability correlations to correct semantics and employing semantics-guided texture enhancement, the STLSF module effectively mitigates texture instability and ambiguous semantic interpretations caused by disadvantaged echocardiography quality. Additionally, to facilitate the encoder's adaptation to the intrinsic priors of ultrasound-specific imaging patterns, we propose a frequency-aware denoising pre-training method. The entire work builds a convolution-based network with locality inductive bias and long-range dependencies. Extensive experiments confirm our SOTA performance, achieving 93.87\% Dice on CAMUS and 92.62\% on EchoNet-Dynamic, with respective HD95 values of 3.29mm and 2.73mm.
- Abstract（参考訳）: 心エコー検査は心臓血管診断に必須であるが, 固有のスペックルノイズと低信号-雑音比は, 曖昧な意味的特徴と断片的境界をもたらすことが多い。
これらの制限は、複雑な臨床症例における深層学習モデルのセグメンテーション精度を著しく低下させる。
さらに、心臓の時間運動は解剖学的構造を認識する上で重要な役割を担っている。
これらの課題に対処するため、ウィンドウマッチングに基づくセマンティック・リコメンデーション・コンポーネントとセマンティック・ガイドによるテクスチャ・エンハンスメント・コンポーネントからなるSTLSFモジュールを設計した。
STLSFモジュールは、局所的な遷移確率相関を正しいセマンティクスに利用し、セマンティクスを誘導したテクスチャ強化を活用することにより、不整脈エコーによるテクスチャ不安定性と曖昧なセマンティクス解釈を効果的に緩和する。
さらに,超音波固有の画像パターンの固有先行パターンへのエンコーダの適応を容易にするために,周波数認識による事前学習法を提案する。
作業全体は、局所性帰納バイアスと長距離依存関係を備えた畳み込みベースのネットワークを構築する。
CAMUSでは93.87.%、EchoNet-Dynamicでは92.62.%、それぞれのHD95値は3.29mmと2.73mmである。
関連論文リスト
- Towards Voxel Spacing Consistency for Medical Image Segmentation [56.992050146446495]
画像再サンプリングとセグメンテーションの相関について検討し,意味認識型再サンプリングフレームワークであるConsispaceを提案する。
コンシスペースは、解剖学的および意味的一貫性を維持しながら、軸方向における一貫したボクセル間隔を達成する。
論文 参考訳（メタデータ） (2026-06-30T15:42:23Z) - FSS-Net: Frequency-Spatial Synergy Network with Wavelet Attention for Carotid Artery Ultrasound Segmentation [11.152127159739736]
本稿では,高周波空間シナジーネットワーク(FSS-Net)を提案する。
このネットワークはウェーブレット変換、マルチドメインアテンション、エッジ拡張を統一エンコーダデコーダアーキテクチャに統合する。
頸動脈超音波データセットの実験により、FSS-Netは96.46%のDiceスコア(DSC)を達成し、低SNR条件下では強い堅牢性を示す。
論文 参考訳（メタデータ） (2026-06-09T03:40:52Z) - Echo-DM: Ultrasound Marker Removal via Conditional Latent Diffusion and Region-Aware Fusion [50.02433280054874]
マーカーは下流の自動分析にショートカットバイアスを導入することができる。
条件付き潜伏拡散と領域認識融合による超音波マーカー除去のためのフレームワークであるEcho-DMを提案する。
大規模な超音波検査データセットであるEcho-PAIRの実験は、優れたマーカー除去と強力な解剖学的忠実さを示す。
論文 参考訳（メタデータ） (2026-06-08T11:56:33Z) - 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) - Multi-Stage Residual-Aware Unsupervised Deep Learning Framework for Consistent Ultrasound Strain Elastography [0.9698885636466451]
Ultrasound Strain Elastography (USE)は、組織力学的特性を評価するための強力な非侵襲イメージング技術である。
我々は,頑健かつ一貫したひずみ推定のための残差認識・多段階非教師付き逐次ディープラーニングフレームワークであるMUSSE-Netを提案する。
MUSSE-Netは24.54の目標SNR、132.76のバックグラウンドSNR、59.81のCNR、9.73のエラストグラフSNRで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-11-19T17:22:25Z) - A DyL-Unet framework based on dynamic learning for Temporally Consistent Echocardiographic Segmentation [0.328418927821443]
動的学習に基づく時間的一貫性を持つU-NetセグメンテーションアーキテクチャDyL-UNetを提案する。
このフレームワークは、動的学習を通じてEcho-Dynamics Graph(EDG)を構築し、ビデオから動的情報を抽出する。
CAMUSとEchoNet-Dynamicデータセットの実験は、DyL-UNetが既存のメソッドに匹敵するセグメンテーション精度を維持していることを示している。
論文 参考訳（メタデータ） (2025-09-23T14:17:01Z) - 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) - 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) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Heart Sound Classification Considering Additive Noise and Convolutional
Distortion [2.63046959939306]
異常検出のための心臓音の自動解析は、加算雑音とセンサ依存劣化の課題に直面している。
本研究の目的は, 心音に両種類の歪みが存在する場合に, 心的異常検出問題に対処する手法を開発することである。
提案手法は, 安価な聴診器を用いて, ノイズの多い環境下で, コンピュータ支援型心臓聴診システムを開発するための道を開くものである。
論文 参考訳（メタデータ） (2021-06-03T14:09:04Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳（メタデータ） (2020-10-19T13:56:22Z)
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。