論文の概要: How well do U-Net-based segmentation trained on adult cardiac magnetic
resonance imaging data generalise to rare congenital heart diseases for
surgical planning?
- arxiv url: http://arxiv.org/abs/2002.04392v1
- Date: Mon, 10 Feb 2020 08:50:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 07:20:49.155070
- Title: How well do U-Net-based segmentation trained on adult cardiac magnetic
resonance imaging data generalise to rare congenital heart diseases for
surgical planning?
- Title(参考訳): 成人心磁気共鳴画像データに基づくU-Netによる分節訓練は, 外科的計画のための希少な先天性心疾患にどのように一般化されるか?
- Authors: Sven Koehler and Animesh Tandon and Tarique Hussain and Heiner Latus
and Thomas Pickardt and Samir Sarikouch and Philipp Beerbaum and Gerald Greil
and Sandy Engelhardt and Ivo Wolf
- Abstract要約: 先天性心疾患(TOF)患者における肺弁置換術の適応時期は, 主に心室容積と機能に基づく。
過去数年間のいくつかの大きな課題において、U-Netアーキテクチャは提供されたデータに対して印象的な結果を示している。
しかし、臨床実践においては、個々の病理や異なるスキャナー特性から派生した画像特性を考えると、データセットはより多様である。
- 参考スコア(独自算出の注目度): 2.330464988780586
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Planning the optimal time of intervention for pulmonary valve replacement
surgery in patients with the congenital heart disease Tetralogy of Fallot (TOF)
is mainly based on ventricular volume and function according to current
guidelines. Both of these two biomarkers are most reliably assessed by
segmentation of 3D cardiac magnetic resonance (CMR) images. In several grand
challenges in the last years, U-Net architectures have shown impressive results
on the provided data. However, in clinical practice, data sets are more diverse
considering individual pathologies and image properties derived from different
scanner properties. Additionally, specific training data for complex rare
diseases like TOF is scarce.
For this work, 1) we assessed the accuracy gap when using a publicly
available labelled data set (the Automatic Cardiac Diagnosis Challenge (ACDC)
data set) for training and subsequent applying it to CMR data of TOF patients
and vice versa and 2) whether we can achieve similar results when applying the
model to a more heterogeneous data base.
Multiple deep learning models were trained with four-fold cross validation.
Afterwards they were evaluated on the respective unseen CMR images from the
other collection. Our results confirm that current deep learning models can
achieve excellent results (left ventricle dice of
$0.951\pm{0.003}$/$0.941\pm{0.007}$ train/validation) within a single data
collection. But once they are applied to other pathologies, it becomes apparent
how much they overfit to the training pathologies (dice score drops between
$0.072\pm{0.001}$ for the left and $0.165\pm{0.001}$ for the right ventricle).
- Abstract(参考訳): 先天性ファロー心疾患四徴症(tof)患者における肺弁置換術の最適介入時期の計画は主に心室容積と機能に基づく。
これら2つのバイオマーカーは3次元心臓磁気共鳴(CMR)画像のセグメンテーションによって最も確実に評価される。
過去数年間のいくつかの大きな課題において、U-Netアーキテクチャは提供されたデータに対して印象的な結果を示している。
しかし, 臨床では, 個々の病理や異なるスキャナ特性から得られた画像特性を考えると, データセットはより多様である。
さらに、TOFのような複雑なレアな疾患に対する特定のトレーニングデータも少ない。
この作品のために
1) 市販のラベル付きデータセット(acdcデータ)を用いてトレーニングを行い,その後,tof患者のcmrデータに適用した場合の精度ギャップを評価し,その逆も検討した。
2) より異質なデータベースにモデルを適用する場合、同様の結果が得られるかどうか。
複数のディープラーニングモデルを4倍のクロス検証でトレーニングした。
その後、他のコレクションから得られた未認識のcmr画像で評価した。
その結果,1つのデータ収集において,現在のディープラーニングモデルは優れた結果(左心室ジス$0.951\pm{0.003}$/$0.941\pm{0.007}$ train/validation)が得られることを確認した。
しかし、それらが他の病理に適用されると、それがトレーニング病理にどの程度適しているかが明らかになる(左が0.072 pm{0.001}$、右心室が0.165 pm{0.001}$)。
関連論文リスト
- Automated Plaque Detection and Agatston Score Estimation on Non-Contrast
CT Scans: A Multicenter Study [2.4476474544077225]
本研究の目的は,3次元マルチクラスnnU-Netを用いた心臓プラーク自動検出モデルを検証することである。
本研究では,nU-Netセグメンテーションパイプラインを用いて冠状動脈と弁のプラークを検出する方法を示す。
線形補正により、nU-Net深層学習法は胸部非造影CTスキャンでAgatstonスコアを正確に推定することができる。
論文 参考訳(メタデータ) (2024-02-14T20:41:37Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Motion-related Artefact Classification Using Patch-based Ensemble and
Transfer Learning in Cardiac MRI [5.186000805926489]
本稿では,アンサンブルとトランスファーラーニングを用いた自動心臓MRI品質推定フレームワークを提案する。
トレーニングデータからサンプルした2次元画像パッチに,複数の事前学習モデルを初期化し,微調整した。
トレーニングセットと検証セットでそれぞれ78.8%と70.0%の分類精度を達成した。
論文 参考訳(メタデータ) (2022-10-14T11:31:40Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳(メタデータ) (2022-08-17T09:07:45Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳(メタデータ) (2022-05-16T10:59:55Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳(メタデータ) (2022-05-05T10:31:57Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳(メタデータ) (2021-02-18T21:14:52Z) - Neural Network-derived perfusion maps: a Model-free approach to computed
tomography perfusion in patients with acute ischemic stroke [4.925222726301579]
畳み込みニューラルネットワーク(CNN)はCT灌流データから臨床的に関連するパラメトリックマップを生成することができる。
cnnベースのアプローチは,最先端の灌流解析法に匹敵する臨床関連灌流マップを作成した。
論文 参考訳(メタデータ) (2021-01-15T07:11:02Z) - Histogram Matching Augmentation for Domain Adaptation with Application
to Multi-Centre, Multi-Vendor and Multi-Disease Cardiac Image Segmentation [9.247774141419134]
ドメインギャップを解消するためのヒストグラムマッチング(HM)データ拡張法を提案する。
具体的には,テストケースの強度分布を既存のトレーニングケースに転送するために,HMを用いて新たなトレーニングケースを生成する。
この方法はMICCAI 2020 M&Msチャレンジで評価され、左室、心筋、右心室それぞれの平均Diceスコアは0.9051、0.8405、0.8749、ハウスドルフ距離は9.996、12.49、12.68である。
論文 参考訳(メタデータ) (2020-12-27T06:14:35Z) - 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) - CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in
MPR Images [0.0]
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。
論文 参考訳(メタデータ) (2020-01-23T15:20:22Z)
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。