論文の概要: Coronary Artery Segmentation from Intravascular Optical Coherence
Tomography Using Deep Capsules
- arxiv url: http://arxiv.org/abs/2003.06080v4
- Date: Thu, 8 Apr 2021 03:02:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 01:23:08.660960
- Title: Coronary Artery Segmentation from Intravascular Optical Coherence
Tomography Using Deep Capsules
- Title（参考訳）: 深部カプセルを用いた血管内光コヒーレンス・トモグラフィからの冠動脈解離
- Authors: Arjun Balaji, Lachlan Kelsey, Kamran Majeed, Carl Schultz, Barry Doyle
- Abstract要約: 血管内光コヒーレンストモグラフィーによる冠動脈の分画と解析は,冠動脈疾患の診断と管理の重要な側面である。
現在の画像処理手法は、専門家ラベル付きデータセットを生成するのに必要な時間と、分析中のバイアスの可能性によって妨げられている。
セグメンテーションの品質を犠牲にすることなく、推論時に高速なメモリフットプリントのモデルを開発する。
私たちは、私たちの開発が12%のパラメータを使用しながら、セグメンテーション品質とロバストネスの観点から最先端の機械学習手法と同等のモデルであるDeepCapにつながっていることを示しています。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The segmentation and analysis of coronary arteries from intravascular optical
coherence tomography (IVOCT) is an important aspect of diagnosing and managing
coronary artery disease. Current image processing methods are hindered by the
time needed to generate expert-labelled datasets and the potential for bias
during the analysis. Therefore, automated, robust, unbiased and timely geometry
extraction from IVOCT, using image processing, would be beneficial to
clinicians. With clinical application in mind, we aim to develop a model with a
small memory footprint that is fast at inference time without sacrificing
segmentation quality. Using a large IVOCT dataset of 12,011 expert-labelled
images from 22 patients, we construct a new deep learning method based on
capsules which automatically produces lumen segmentations. Our dataset contains
images with both blood and light artefacts (22.8%), as well as metallic (23.1%)
and bioresorbable stents (2.5%). We split the dataset into a training (70%),
validation (20%) and test (10%) set and rigorously investigate design
variations with respect to upsampling regimes and input selection. We show that
our developments lead to a model, DeepCap, that is on par with state-of-the-art
machine learning methods in terms of segmentation quality and robustness, while
using as little as 12% of the parameters. This enables DeepCap to have per
image inference times up to 70% faster on GPU and up to 95% faster on CPU
compared to other state-of-the-art models. DeepCap is a robust automated
segmentation tool that can aid clinicians to extract unbiased geometrical data
from IVOCT.
- Abstract（参考訳）: 血管内光コヒーレンストモグラフィ(IVOCT)による冠状動脈の分画と解析は,冠動脈疾患の診断と管理の重要な側面である。
現在の画像処理手法は、専門家ラベル付きデータセットの生成に必要な時間と分析中のバイアスの可能性によって妨げられている。
したがって、画像処理を用いたivoctからの自動化、ロバスト、非バイアス、タイムリーな幾何抽出は臨床医にとって有益である。
臨床応用を念頭に置いて,セグメンテーション品質を犠牲にすることなく,推定時間を短縮したメモリフットプリントの少ないモデルの開発を目標としている。
22名の患者から得られた12,011個のエキスパートラベル画像からなる大規模ivoctデータセットを用いて,ルーメンセグメンテーションを自動的に生成するカプセルに基づく新しい深層学習法を構築した。
我々のデータセットには、血液と光の人工物(22.8%)と金属(23.1%)と生体吸収性ステント(2.5%)の画像が含まれている。
データセットをトレーニング(70%)、バリデーション(20%)、テスト(10%)に分割し、システムのスケールアップと入力選択に関して設計のバリエーションを厳格に調査しました。
私たちは、私たちの開発が12%のパラメータを使用しながら、セグメンテーションの品質と堅牢性の観点から最先端の機械学習手法と同等のモデルであるDeepCapに繋がることを示す。
これにより、DeepCapは他の最先端モデルと比較してGPUでは最大70%高速、CPUでは最大95%高速となる。
deepcapはロバストな自動セグメンテーションツールで、臨床医がivoctから偏りのない幾何学的データを抽出できるようにする。
関連論文リスト
- CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - Optimising Chest X-Rays for Image Analysis by Identifying and Removing
Confounding Factors [49.005337470305584]
新型コロナウイルス(COVID-19)のパンデミック(パンデミック)の間、新型コロナウイルス(COVID-19)の診断のための緊急設定で実施される画像の量は、臨床用CXRの取得が広範囲に及んだ。
公開データセット内の臨床的に取得されたCXRの変動品質は、アルゴリズムのパフォーマンスに大きな影響を及ぼす可能性がある。
我々は、新型コロナウイルスの胸部X線データセットを前処理し、望ましくないバイアスを取り除くための、シンプルで効果的なステップワイズアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-22T13:57:04Z) - Calibrated Bagging Deep Learning for Image Semantic Segmentation: A Case
Study on COVID-19 Chest X-ray Image [3.135883872525168]
胸部X線(CXR)やCT(CT)などの画像検査は、臨床スタッフに有用な情報を提供することができる。
深層学習は、新型コロナウイルス感染症領域のセグメンテーションと疾患分類の実行に応用されている。
本研究では,バッジ深層学習とモデル校正を統合した新しいアンサンブル深層学習モデルを提案する。
論文 参考訳（メタデータ） (2022-05-27T20:06:45Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Classification of COVID-19 on chest X-Ray images using Deep Learning
model with Histogram Equalization and Lungs Segmentation [1.6019444314820142]
本研究は,胸部X線を用いたコビッドウイルス感染肺の検出のためのディープラーニングアーキテクチャに基づく研究である。
我々の新しいアプローチは、よく知られた前処理技術、特徴抽出法、およびデータセットバランス法を組み合わせることで、優れた98%の認識率をもたらす。
論文 参考訳（メタデータ） (2021-12-05T05:04:38Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳（メタデータ） (2021-11-16T15:03:42Z) - Weaving Attention U-net: A Novel Hybrid CNN and Attention-based Method
for Organs-at-risk Segmentation in Head and Neck CT Images [11.403827695550111]
我々は、畳み込みニューラルネットワーク(CNN)と自己認識機構を組み合わせた、新しいハイブリッドディープラーニングアプローチを開発した。
提案手法は10臓器対リスク(OAR)の基底真理によく似た輪郭を生成する。
新しいウィービング注意U-netは頭頸部CT画像のセグメンテーションに優れているか類似した性能を示した。
論文 参考訳（メタデータ） (2021-07-10T14:27:46Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳（メタデータ） (2020-09-22T11:53:06Z) - Automated Chest CT Image Segmentation of COVID-19 Lung Infection based
on 3D U-Net [0.0]
新型コロナウイルス(COVID-19)は世界中の何十億もの生命に影響を与え、公衆医療に大きな影響を与えている。
新型コロナウイルス感染地域のための革新的な自動セグメンテーションパイプラインを提案する。
本手法は,複数の前処理手法を実行することにより,一意およびランダムな画像パッチをオンザフライで生成する訓練に焦点をあてる。
論文 参考訳（メタデータ） (2020-06-24T17:29:26Z) - Radiologist-Level COVID-19 Detection Using CT Scans with Detail-Oriented
Capsule Networks [6.435530400792993]
我々はDetail-Oriented Capsule Networks (DECAPS) を提案する。
我々のネットワークは、分類精度を高めるためのいくつかのアーキテクチャの改善とCapsule Networksの強みを組み合わせる。
ROC曲線では,84.3%の精度,91.5%のリコール,96.1%の領域が達成され,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-04-16T00:48:32Z)
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。