論文の概要: The MYOSAIQ Challenge: Myocardial Segmentation with Automated Infarct Quantification

• arxiv url: http://arxiv.org/abs/2608.29246v1
• Date: Sat, 29 Aug 2026 13:03:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.898279
• Title: The MYOSAIQ Challenge: Myocardial Segmentation with Automated Infarct Quantification
• Title（参考訳）: 心筋梗塞自動定量化による心筋セグメンテーションの課題
• Abstract要約: 晩期ガドリニウム増強(LGE)心筋磁気共鳴(MR)イメージングは,心筋梗塞(MI)病変を評価するための選択肢である。 心筋と梗塞領域のセグメンテーションを自動化するための深層学習法 (DL) が開発されている。 これらの制限は、様々な条件で一般化可能なモデルの開発を妨げる。
• 参考スコア（独自算出の注目度）: 3.6325424189224034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Late gadolinium enhancement (LGE) cardiac magnetic resonance (MR) imaging is the modality of choice to assess myocardial infarction (MI) lesions. Nowadays MI volume quantification is not performed routinely in clinical practice. Numerous deep learning (DL) methods have been developed to automate the segmentation of the myocardium and infarct regions. However, most studies rely on relatively small datasets which typically undergo pre-processing steps to standardize images and focus on a specific phase of myocardial infarction following reperfusion therapy. These limitations have impeded the development of models that are generalizable across diverse conditions and thus suitable for routine clinical use. To advance research and establish benchmarks in generalizable learning for myocardial infarct quantification, this paper presents findings from the Myocardial Segmentation with Automated Infarct Quantification (MYOSAIQ) challenge. The dataset set up for the challenge combines 439 CMR volumes from two multicenter clinical trials, with representative data acquired in acute and chronic phases after acute MI. Data were acquired in 16 centers using MRI scanners from three different vendors. Six teams participated until the end of the challenge, employing various baseline models, data augmentation techniques, and confidence strategies. To enhance the significance of this study, we compare the challengers' results with those of fine-tuned foundation models. Our results indicate that well-designed UNet-based techniques outperform fully automatic foundation models for LGE MR segmentation. While the best methods achieve high-quality and stable delineations of the left ventricle and myocardium under various conditions, they remain improvable in accurately segmenting infarct regions.
• Abstract（参考訳）: 晩期ガドリニウム増強(LGE)心筋磁気共鳴(MR)イメージングは,心筋梗塞(MI)病変を評価するための選択肢である。 現在では,MIボリューム定量化は日常的に実施されていない。 心筋と梗塞領域のセグメンテーションを自動化するために,多くの深層学習法が開発されている。 しかし、ほとんどの研究は、画像の標準化と再灌流療法後の心筋梗塞の特定のフェーズに集中するために、通常、前処理のステップを実行する比較的小さなデータセットに依存している。 これらの制限は、様々な条件にまたがって一般化可能なモデルの開発を妨げるため、定期的な臨床使用に適している。 心筋梗塞定量化(MYOSAIQ)の総合的学習における研究とベンチマークの確立を目的として, 心筋分画と自動梗塞定量化(MYOSAIQ)の課題について検討した。 この課題のために設定されたデータセットは、2つの多施設臨床試験の439のCMRボリュームと、急性MI後の急性期および慢性期における代表データを組み合わせたものである。 データは3つの異なるベンダーからMRIスキャナーを使用して16のセンターで取得された。 6つのチームがチャレンジの終了まで参加し、さまざまなベースラインモデル、データ拡張テクニック、信頼性戦略を採用した。 本研究の意義を高めるため, 挑戦者の結果と微調整基礎モデルとの比較を行った。 提案手法は,LGE MRセグメンテーションのための完全自動基礎モデルよりも優れていることを示す。 各種条件下では左心室および心筋の高品質で安定な脱線を達成できるが、脳梗塞領域を正確に区分けするには即効性が保たれる。

関連論文リスト

• Enabling Ultra-Fast Cardiovascular Imaging Across Heterogeneous Clinical Environments with a Generalist Foundation Model and Multimodal Database [64.65360708629485]
  MMCMR-427Kは、最大かつ最も包括的なマルチモーダル心血管共鳴k空間データベースである。 CardioMMは、異種高速CMRイメージングシナリオに適応可能な再構成基盤モデルである。 CardioMMは、物理インフォームドデータ一貫性と意味的文脈理解を統合して、堅牢な再構築を実現する。
  論文  参考訳（メタデータ） (2025-12-25T12:47:50Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Extreme Cardiac MRI Analysis under Respiratory Motion: Results of the CMRxMotion Challenge [56.28872161153236]
  ディープラーニングモデルは、自動心臓磁気共鳴(CMR)解析において最先端の性能を達成した。 これらのモデルの有効性は、高品質でアーティファクトフリーな画像の可用性に大きく依存している。 この領域の研究を促進するために,MICCAI CMRxMotion チャレンジを組織した。
  論文  参考訳（メタデータ） (2025-07-25T11:12:21Z)
• 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)
• Multi-Disease-Aware Training Strategy for Cardiac MR Image Segmentation [5.206138376072312]
  近年,ディープラーニングに基づくセグメンテーション手法が注目されている。 これらのセグメンテーション法は、左心室(LV)や心筋(MYO)などの定期的な形をした臓器の分割に一般的に適している。 右心室(RV)のような不規則な形状の臓器では不十分な働きをする
  論文  参考訳（メタデータ） (2025-03-23T01:29:27Z)
• AWSnet: An Auto-weighted Supervision Attention Network for Myocardial Scar and Edema Segmentation in Multi-sequence Cardiac Magnetic Resonance Images [23.212429566838203]
  マルチシーケンスCMRデータから傷痕と浮腫のセグメンテーションに取り組むための,新しい自動重み付け監視フレームワークを開発した。 また, より小さな心筋病変領域の分画を, 形状の事前知識で促進する, 粗大から細大の枠組みを設計した。 マルチシーケンスCMRデータを用いた心筋病理診断の進歩に期待できる。
  論文  参考訳（メタデータ） (2022-01-14T08:59:54Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• Multi-Modality Cardiac Image Analysis with Deep Learning [16.814634972950717]
  晩期ガドリニウム造影MRI(LGE MRI)は,心筋梗塞(MI)および心房粗動の可視化と定量化に有望な手法である。 本章は,深層学習に基づく多モード心画像解析における現状と最近の進歩を要約することを目的としている。
  論文  参考訳（メタデータ） (2021-11-08T12:54:11Z)
• 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。