Fugu-MT 論文翻訳(概要): Deep learning predicts total knee replacement from magnetic resonance images

論文の概要: Deep learning predicts total knee replacement from magnetic resonance images

arxiv url: http://arxiv.org/abs/2002.10591v1
Date: Mon, 24 Feb 2020 23:33:52 GMT
ステータス: 処理完了
システム内更新日: 2022-12-29 04:32:22.663671
Title: Deep learning predicts total knee replacement from magnetic resonance images
Title（参考訳）: 深層学習は磁気共鳴画像から人工膝置換を予測する
Authors: Aniket A. Tolpadi, Jinhee J. Lee, Valentina Pedoia, Sharmila Majumdar
Abstract要約: 膝関節置換術(TKR)は変形性膝関節症(OA)の唯一の侵襲的治療法である術後に「正常」を感じた症例は2/3に過ぎなかった。これは、特にOAの低い段階において、TKRのリスクが高い集団を特定するモデルを必要とする。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Knee Osteoarthritis (OA) is a common musculoskeletal disorder in the United States. When diagnosed at early stages, lifestyle interventions such as exercise and weight loss can slow OA progression, but at later stages, only an invasive option is available: total knee replacement (TKR). Though a generally successful procedure, only 2/3 of patients who undergo the procedure report their knees feeling ''normal'' post-operation, and complications can arise that require revision. This necessitates a model to identify a population at higher risk of TKR, particularly at less advanced stages of OA, such that appropriate treatments can be implemented that slow OA progression and delay TKR. Here, we present a deep learning pipeline that leverages MRI images and clinical and demographic information to predict TKR with AUC $0.834 \pm 0.036$ (p < 0.05). Most notably, the pipeline predicts TKR with AUC $0.943 \pm 0.057$ (p < 0.05) for patients without OA. Furthermore, we develop occlusion maps for case-control pairs in test data and compare regions used by the model in both, thereby identifying TKR imaging biomarkers. As such, this work takes strides towards a pipeline with clinical utility, and the biomarkers identified further our understanding of OA progression and eventual TKR onset.
Abstract（参考訳）: 変形性膝関節症(英語: Kneeartharthritis, OA)は、アメリカ合衆国において一般的な筋骨格疾患である。早期に診断された場合、運動や体重減少などのライフスタイルの介入はOAの進行を遅らせるが、後期には全膝置換(TKR)という侵襲的な選択肢しか得られない。一般的には手術が成功しているが、膝の「正常」を訴える患者は2/3に過ぎず、再手術を要する合併症が生じることがある。これにより、tkrのリスクが高い集団、特にoaのより先進的な段階における集団を特定するモデルが必要となり、oaの進行が遅くtkrを遅らせる適切な治療が実現される。 AUC $0.834 \pm 0.036$ (p < 0.05)でTKRを予測するため,MRI画像と臨床および人口統計情報を利用したディープラーニングパイプラインを提案する。最も注目すべきは、OAのない患者に対して、AUC $0.943 \pm 0.057$ (p < 0.05)でTKRを予測することである。さらに,テストデータ中のケースコントロールペアのオクルージョンマップを開発し,両者で使用する領域を比較し,TKRイメージングバイオマーカーを同定する。そこで,本研究は臨床的有用性のあるパイプラインを目指して進み,OAの進行と最終的なTKRの発症のさらなる理解をバイオマーカーで確認した。

関連論文リスト

Early Risk Assessment Model for ICA Timing Strategy in Unstable Angina Patients Using Multi-Modal Machine Learning [5.070772577047069]
不安定狭心症(UA)を含む心血管疾患の診断のための金の基準として、浸潤性冠動脈造影(ICA)が認められている心筋梗塞とは異なり、UAはST偏位や心筋酵素のような特定の指標を持っておらず、リスクアセスメントが複雑になる。本研究の目的は,UA患者に対する早期リスクアセスメントを機械学習アルゴリズムを用いて向上することである。
論文参考訳（メタデータ） (2024-08-08T07:24:28Z)
DeepVox and SAVE-CT: a contrast- and dose-independent 3D deep learning approach for thoracic aorta segmentation and aneurysm prediction using computed tomography scans [2.3135717943756307]
胸部大動脈瘤(英: Thoracic aortic aneurysm,TAA)は、大動脈の進行拡大による解離や破裂を引き起こす致命的な疾患である。その他の指標は、このスクリーニングに役立つが、コントラスト増強や低用量プロトコールを伴わずに取得すれば、臨床評価が困難になる可能性がある。本研究は, 対照群とTAA患者を含む587種類のCTスキャンを, コントラスト増強の有無にかかわらず低線量および標準線量プロトコールで取得した。新たなセグメンテーションモデルであるDeepVoxは,開発およびテストセットに対してそれぞれ0.932と0.897のダイススコア係数を示した。
論文参考訳（メタデータ） (2023-10-23T19:48:58Z)
SECRETS: Subject-Efficient Clinical Randomized Controlled Trials using Synthetic Intervention [0.0]
クロスオーバー試験は、個人ごとの処理効果を測定することで、サンプルサイズの要求を減らすことができる。外部データを用いることなく, 患者ごとの個別治療効果(ITE)を推定する新しいフレームワークであるSECRETSを提案する。この結果から,SECRETSはRCTのパワーを向上しつつ,同等の意義レベルを維持することができることがわかった。
論文参考訳（メタデータ） (2023-05-08T22:37:16Z)
Prostate Lesion Estimation using Prostate Masks from Biparametric MRI [0.0]
マルチパラメトリック前立腺MRIの代替としてバイパラメトリックMRIが登場した。前立腺癌(csPCA)の診断は困難である。ディープラーニングアルゴリズムはコホート研究において、csPCAを検出する代替ソリューションとして登場した。
論文参考訳（メタデータ） (2023-01-11T13:20:24Z)
Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文参考訳（メタデータ） (2022-09-13T07:10:14Z)
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)
Predicting Knee Osteoarthritis Progression from Structural MRI using Deep Learning [2.9822184411723645]
先行技術は手動でデザインされたイメージングバイオマーカーに焦点を合わせており、MRIスキャンに存在するすべての疾患関連情報を十分に活用するものではないかもしれない。対照的に,本手法では,Deep Learningを用いて生データのエンドツーエンドから関連する表現を学習する。この方法は2D CNNを用いてデータをスライス的に処理し、抽出した特徴をTransformerを使って集約する。
論文参考訳（メタデータ） (2022-01-26T10:17:41Z)
AI-based Aortic Vessel Tree Segmentation for Cardiovascular Diseases Treatment: Status Quo [55.04215695343928]
大動脈血管木は大動脈とその枝枝動脈からなる。大動脈弁木の自動・半自動セグメンテーションのための計算手法を体系的に検討した。
論文参考訳（メタデータ） (2021-08-06T08:18:28Z)
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 Assessment of Alzheimer's Disease Diagnosis Based on Deep Learning Techniques [111.165389441988]
本研究では, MRI(sagittal magnetic resonance images)における疾患の存在を自動的に検出するシステムを開発する。矢状面MRIは一般的には使われていないが、この研究は、少なくとも、ADを早期に同定する他の平面からのMRIと同じくらい効果があることを証明した。本研究は,これらの分野でDLモデルを構築できることを実証する一方,TLは少ない例でタスクを完了するための必須のツールである。
論文参考訳（メタデータ） (2021-05-18T11:37:57Z)
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)

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。