論文の概要: Automated quantification of myocardial tissue characteristics from native T1 mapping using neural networks with Bayesian inference for uncertainty-based quality-control

• arxiv url: http://arxiv.org/abs/2001.11711v1
• Date: Fri, 31 Jan 2020 08:51:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 07:05:48.001083
• Title: Automated quantification of myocardial tissue characteristics from native T1 mapping using neural networks with Bayesian inference for uncertainty-based quality-control
• Title（参考訳）: 不確実性に基づく品質制御のためのベイズ推論を用いたニューラルネットワークを用いたT1ネイティブマッピングによる心筋組織特性の自動定量化
• Authors: Esther Puyol Anton, Bram Ruijsink, Christian F. Baumgartner, Matthew Sinclair, Ender Konukoglu, Reza Razavi, Andrew P. King
• Abstract要約: 本研究では,確率的階層型MOLLIネットワークを用いたT1マッピングから組織を自動解析するフレームワークを提案する。 PHiSegネットワークとQCは、健康な被験者と慢性心筋症患者を含む英国バイオバンクのコホートで手動で解析された。
• 参考スコア（独自算出の注目度）: 6.415553085941694
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tissue characterisation with CMR parametric mapping has the potential to detect and quantify both focal and diffuse alterations in myocardial structure not assessable by late gadolinium enhancement. Native T1 mapping in particular has shown promise as a useful biomarker to support diagnostic, therapeutic and prognostic decision-making in ischaemic and non-ischaemic cardiomyopathies. Convolutional neural networks with Bayesian inference are a category of artificial neural networks which model the uncertainty of the network output. This study presents an automated framework for tissue characterisation from native ShMOLLI T1 mapping at 1.5T using a Probabilistic Hierarchical Segmentation (PHiSeg) network. In addition, we use the uncertainty information provided by the PHiSeg network in a novel automated quality control (QC) step to identify uncertain T1 values. The PHiSeg network and QC were validated against manual analysis on a cohort of the UK Biobank containing healthy subjects and chronic cardiomyopathy patients. We used the proposed method to obtain reference T1 ranges for the left ventricular myocardium in healthy subjects as well as common clinical cardiac conditions. T1 values computed from automatic and manual segmentations were highly correlated (r=0.97). Bland-Altman analysis showed good agreement between the automated and manual measurements. The average Dice metric was 0.84 for the left ventricular myocardium. The sensitivity of detection of erroneous outputs was 91%. Finally, T1 values were automatically derived from 14,683 CMR exams from the UK Biobank. The proposed pipeline allows for automatic analysis of myocardial native T1 mapping and includes a QC process to detect potentially erroneous results. T1 reference values were presented for healthy subjects and common clinical cardiac conditions from the largest cohort to date using T1-mapping images.
• Abstract（参考訳）: cmrパラメトリックマッピングを用いた組織キャラクタリゼーションは、後期ガドリニウムにより評価できない心筋構造の焦点変化と拡散変化の両方を検出・定量化する可能性がある。 特にネイティブT1マッピングは、虚血性および非虚血性心筋症における診断、治療、予後決定を支援する有用なバイオマーカーとして有望であることが示されている。 ベイズ推論を用いた畳み込みニューラルネットワークは、ネットワーク出力の不確かさをモデル化する人工知能ニューラルネットワークのカテゴリである。 本研究では,確率的階層的セグメンテーション(PHiSeg)ネットワークを用いて1.5TのShMOLLI T1マッピングから組織を自動解析するフレームワークを提案する。 さらに,新たな自動品質管理(qc)ステップにおいて,phisegネットワークが提供する不確実性情報を用いて不確実性t1値を同定する。 健常者および慢性心筋症患者を含む英国バイオバンクのコホートについて,phisegネットワークとqcを手作業で分析した。 健常者および一般的な臨床心臓状態における左室心筋の基準T1範囲について検討した。 自動セグメンテーションと手動セグメンテーションから計算したT1値は高い相関(r=0.97)を示した。 Bland-Altman分析では、自動測定と手動測定の一致が良好であった。 左室心筋の平均Dice測定値は0.84であった。 誤出力の検出感度は91%であった。 最後に、T1値は英国バイオバンクの14,683のCMR検査から自動的に導出された。 提案したパイプラインは、心筋ネイティブT1マッピングの自動解析を可能にし、潜在的に誤った結果を検出するQCプロセスを含む。 健常者に対するT1基準値と,T1マッピング画像を用いた最大コホートからの一般的な臨床心条件について検討した。

関連論文リスト

• MBSS-T1: Model-Based Self-Supervised Motion Correction for Robust Cardiac T1 Mapping [14.798873955983714]
  心臓T1マッピングにおける動作補正のための自己教師型モデルMBSS-T1を導入する。 物理的制約は期待される信号減衰挙動を保証し、解剖学的制約は現実的な変形を維持する。 MBSS-T1は5倍の実験でベースライン深層学習に基づく画像登録手法より優れていた。
  論文  参考訳（メタデータ） (2024-08-21T21:03:36Z)
• Towards Enabling Cardiac Digital Twins of Myocardial Infarction Using Deep Computational Models for Inverse Inference [6.447210290674733]
  シミュレーションされたQRSから脳梗塞の位置と分布を推定するために,二分岐変分オートエンコーダと推論モデルからなる新しい深部計算モデルを提案する。 感度分析により、脳梗塞の特徴と電気生理学的特徴との複雑な関係の理解が促進される。
  論文  参考訳（メタデータ） (2023-07-10T08:54:12Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Automated Quality Controlled Analysis of 2D Phase Contrast Cardiovascular Magnetic Resonance Imaging [2.189751467114811]
  位相コントラスト心磁気共鳴画像(PC-CMR)を用いた流れ解析 完全CMRスキャンからのフローの完全自動解析のための新しいディープラーニングベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T16:37:35Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
  急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。 提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。 提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
  論文  参考訳（メタデータ） (2021-10-11T07:13:26Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• Automatic Myocardial Infarction Evaluation from Delayed-Enhancement Cardiac MRI using Deep Convolutional Networks [8.544381926074971]
  臨床情報と遅延造影MRI(DE-MRI)による心筋梗塞自動評価のための新しいディープラーニングフレームワークを提案する。 2つのセグメンテーションニューラルネットワークを用いており、第1のネットワークは心筋や左室腔などの解剖学的構造をセグメンテーションするために使用される。 第2の課題は、ある症例をD-MRIの有無にかかわらず、臨床情報から正常または病理学的に自動的に分類することである。
  論文  参考訳（メタデータ） (2020-10-30T11:18:25Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• autoTICI: Automatic Brain Tissue Reperfusion Scoring on 2D DSA Images of Acute Ischemic Stroke Patients [7.239126951855493]
  脳梗塞の血栓溶解は急性期脳梗塞再灌流療法における重要な指標である。 既存のTICIスコアは、視覚検査に基づいて粗い順序付けで定義され、サーバ間およびサーバ内変動を引き起こす。 本稿では,自動的かつ定量的なTICIスコアリング手法であるAutoTICIを提案する。
  論文  参考訳（メタデータ） (2020-10-03T22:06:55Z)

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。