Fugu-MT 論文翻訳(概要): CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images

論文の概要: CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images

arxiv url: http://arxiv.org/abs/2001.08593v1
Date: Thu, 23 Jan 2020 15:20:22 GMT
ステータス: 処理完了
システム内更新日: 2023-01-07 13:23:08.227032
Title: CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images
Title（参考訳）: MPR画像における冠動脈狭窄スコア分類のためのCNN-CASS
Authors: Mariia Dobko, Bohdan Petryshak, Oles Dobosevych
Abstract要約: MPR画像における狭窄の重症度を同定する自動モデルを開発した。このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: To decrease patient waiting time for diagnosis of the Coronary Artery Disease, automatic methods are applied to identify its severity using Coronary Computed Tomography Angiography scans or extracted Multiplanar Reconstruction (MPR) images, giving doctors a second-opinion on the priority of each case. The main disadvantage of previous studies is the lack of large set of data that could guarantee their reliability. Another limitation is the usage of handcrafted features requiring manual preprocessing, such as centerline extraction. We overcome both limitations by applying a different automated approach based on ShuffleNet V2 network architecture and testing it on the proposed collected dataset of MPR images, which is bigger than any other used in this field before. We also omit centerline extraction step and train and test our model using whole curved MPR images of 708 and 105 patients, respectively. The model predicts one of three classes: 'no stenosis' for normal, 'non-significant' - 1-50% of stenosis detected, 'significant' - more than 50% of stenosis. We demonstrate model's interpretability through visualization of the most important features selected by the network. For stenosis score classification, the method shows improved performance comparing to previous works, achieving 80% accuracy on the patient level. Our code is publicly available.
Abstract（参考訳）: 冠動脈疾患の診断に要する患者待ち時間を短縮するために、冠動脈CTまたはMPR画像を用いて重症度を同定する自動手法を適用し、各症例の優先順位について医師に第2のオピニオンを与える。以前の研究の主な欠点は、信頼性を保証できる大量のデータがないことである。もう1つの制限は、中心線抽出のような手作業による前処理を必要とする手作りの機能の使用である。我々は、ShuffleNet V2ネットワークアーキテクチャに基づいた異なる自動アプローチを適用し、提案したMPRイメージのデータセット上でテストすることによって、両方の制限を克服する。また,708例と105例のMPR画像全体を用いて,中心線抽出工程を省略し,モデルの訓練と試験を行った。このモデルは3つのクラスのうちの1つを予測する: 正常の'no stenosis'、検出された'non-significant' - 1-50%、検出された'significant' - 50%以上の狭窄。ネットワークが選択した最も重要な特徴を視覚化することで,モデルの解釈可能性を示す。狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。私たちのコードは公開されています。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Multi-task Learning Approach for Intracranial Hemorrhage Prognosis [0.0]
本稿では,Glasgow Coma Scale と Age の3次元マルチタスク画像モデルを提案する。提案手法は現状のベースライン画像モデルより優れており,CTスキャンのみを入力として用いた4名の脳神経科医と比較してICH予後に優れていた。
論文参考訳（メタデータ） (2024-08-16T14:56:17Z)
Reconstruction of Patient-Specific Confounders in AI-based Radiologic Image Interpretation using Generative Pretraining [12.656718786788758]
本稿では,DiffChestと呼ばれる自己条件拡散モデルを提案し,胸部X線画像のデータセット上で訓練する。 DiffChest氏は、患者固有のレベルでの分類を説明し、モデルを誤解させる可能性のある要因を視覚化する。本研究は,医用画像分類における拡散モデルに基づく事前訓練の可能性を明らかにするものである。
論文参考訳（メタデータ） (2023-09-29T10:38:08Z)
LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文参考訳（メタデータ） (2023-06-20T22:21:34Z)
MLC at HECKTOR 2022: The Effect and Importance of Training Data when Analyzing Cases of Head and Neck Tumors using Machine Learning [0.9166327220922845]
本稿では,MICCAI 2022で行われたHECKTOR大挑戦の2022年版に対して,チームMLCが行った成果について述べる。ポジトロン・エミッション・トモグラフィ(PET)とCT(CT)画像の解析は予後を診断するために提案されている。
論文参考訳（メタデータ） (2022-11-30T09:04:27Z)
Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文参考訳（メタデータ） (2022-06-14T10:16:54Z)
A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文参考訳（メタデータ） (2021-10-24T18:58:40Z)
An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
論文参考訳（メタデータ） (2021-08-17T05:49:43Z)
Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文参考訳（メタデータ） (2021-08-07T10:12:42Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Development and Validation of a Novel Prognostic Model for Predicting AMD Progression Using Longitudinal Fundus Images [6.258161719849178]
本研究では,不均一な時間間隔の縦画像データを用いて,疾患の進行を予測できる新しい深層学習手法を提案する。年齢関連黄斑変性症(AMD)を呈する4903眼における眼底画像の経時的データセットについて検討した。本手法では, 0.878の感度, 0.887の特異性, 0.950の受信機動作特性下での面積を測定できる。
論文参考訳（メタデータ） (2020-07-10T00:33:19Z)

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。