論文の概要: LU-Net: a multi-task network to improve the robustness of segmentation
of left ventriclular structures by deep learning in 2D echocardiography
- arxiv url: http://arxiv.org/abs/2004.02043v1
- Date: Sat, 4 Apr 2020 23:07:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 22:52:39.609114
- Title: LU-Net: a multi-task network to improve the robustness of segmentation
of left ventriclular structures by deep learning in 2D echocardiography
- Title（参考訳）: lu-net:2次元心エコー図における深層学習による左室壁構造のセグメンテーションのロバスト性を改善するマルチタスクネットワーク
- Authors: Sarah Leclerc, Erik Smistad, Andreas {\O}stvik, Frederic Cervenansky,
Florian Espinosa, Torvald Espeland, Erik Andreas Rye Berg, Thomas Grenier,
Carole Lartizien, Pierre-Marc Jodoin, Lasse Lovstakken, Olivier Bernard
- Abstract要約: 本稿では,心臓のセグメンテーションの全体的な精度を向上させるために,エンドツーエンドのマルチタスクネットワークを提案する。
大規模なオープンアクセスデータセットから得られた結果から,本手法が現在最高のディープラーニングソリューションより優れていることが示された。
- 参考スコア（独自算出の注目度）: 6.633387219468496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation of cardiac structures is one of the fundamental steps to
estimate volumetric indices of the heart. This step is still performed
semi-automatically in clinical routine, and is thus prone to inter- and
intra-observer variability. Recent studies have shown that deep learning has
the potential to perform fully automatic segmentation. However, the current
best solutions still suffer from a lack of robustness. In this work, we
introduce an end-to-end multi-task network designed to improve the overall
accuracy of cardiac segmentation while enhancing the estimation of clinical
indices and reducing the number of outliers. Results obtained on a large open
access dataset show that our method outperforms the current best performing
deep learning solution and achieved an overall segmentation accuracy lower than
the intra-observer variability for the epicardial border (i.e. on average a
mean absolute error of 1.5mm and a Hausdorff distance of 5.1mm) with 11% of
outliers. Moreover, we demonstrate that our method can closely reproduce the
expert analysis for the end-diastolic and end-systolic left ventricular
volumes, with a mean correlation of 0.96 and a mean absolute error of 7.6ml.
Concerning the ejection fraction of the left ventricle, results are more
contrasted with a mean correlation coefficient of 0.83 and an absolute mean
error of 5.0%, producing scores that are slightly below the intra-observer
margin. Based on this observation, areas for improvement are suggested.
- Abstract（参考訳）: 心臓構造のセグメンテーションは、心臓の容積指数を推定する基本的なステップの1つである。
このステップは、まだ臨床ルーチンで半自動で行われており、したがって、サーバ間およびサーバ内変動が生じる。
近年の研究では、ディープラーニングが完全な自動セグメンテーションを行う可能性があることが示されている。
しかし、現在の最良のソリューションは依然として堅牢性の欠如に苦しんでいる。
本研究では,臨床指標の推定を向上し,外来者数を減らすとともに,心臓セグメンテーションの全体的な精度を向上させるために,エンドツーエンドのマルチタスクネットワークを導入する。
大規模なオープンアクセスデータセットから得られた結果から,本手法は,現在最高の深層学習解を上回り,平均1.5mm,Hausdorff距離5.1mm)の心外膜境界におけるサーベイラビリティよりも全体のセグメンテーション精度を11%低い精度で達成していることがわかった。
また,0.96の相関と7.6mlの平均絶対誤差を用いて,拡張期左室容積と末期収縮期左室容積の専門的解析を密に再現できることを実証した。
左室の射出率については、平均相関係数 0.83 と絶対平均誤差 5.0% で比較され、オブザーバー内マージンより若干低いスコアが得られた。
この観察から,改善すべき領域が示唆された。
関連論文リスト
- An Improved Approach for Cardiac MRI Segmentation based on 3D UNet Combined with Papillary Muscle Exclusion [0.0]
異なるフェーズにおいて、心臓構造を正確にセグメンテーションするための堅牢なアルゴリズムを開発することが重要である。
本研究では,乳頭筋を除いた心筋とLVのセグメンテーションに改良された3次元UNetモデルを導入する。
提案フレームワークの実用試験では, 合計8,400枚の心MRI画像を収集し, 解析した。
論文 参考訳（メタデータ） (2024-10-09T12:19:58Z) - Deep learning automates Cobb angle measurement compared with multi-expert observers [3.7153471185088427]
コブ角 (Cobb angle) は、傾斜した椎骨間の曲率を測定する、広く使われているスコリシス定量法である。
我々は、Cobb角を正確に測定し、これらの測定をはっきりと視覚化する完全に自動化されたソフトウェアを作成しました。
このソフトウェアは、ディープニューラルネットワークに基づく脊髄領域の検出とセグメンテーション、脊髄中心の同定を統合し、最も傾いた脊椎をピンポイントする。
論文 参考訳（メタデータ） (2024-03-18T15:43:45Z) - Automated Assessment of Critical View of Safety in Laparoscopic
Cholecystectomy [51.240181118593114]
胆嚢摘出術(胆嚢摘出術)は米国で最も一般的な手術の一つで、年間1.2万回以上の手術が施行されている。
LCは胆管損傷(BDI)の増加と関連しており、致死率と死亡率が高い。
本稿では,LCにおける安全性評価(CVS)の自動化を目的とした深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-09-13T22:01:36Z) - 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) - Estimation of mitral valve hinge point coordinates -- deep neural net
for echocardiogram segmentation [0.0]
僧帽弁ヒンジ点の完全自動検出法を提案する。
この方法は、得られたセグメンテーションから第2ステップで僧帽弁ヒンジポイントを抽出する。
この自動検出法を用いて測定した結果を基準座標値と比較した。
論文 参考訳（メタデータ） (2023-01-20T19:46:16Z) - Bayesian Optimization of 2D Echocardiography Segmentation [2.6947715121689204]
BOを用いて、深層畳み込みニューラルネットワークモデルのアーキテクチャおよびトレーニング関連ハイパーパラメータを最適化する。
左室心内膜(LV)、左心内膜(LV)、左心房に0.95、0.96、0.93の重なりがある。
また,LV終末容積の中央値絶対誤差を小さくするなど,導出性臨床指標の大幅な改善も観察した。
論文 参考訳（メタデータ） (2022-11-17T20:52:36Z) - 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) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - 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。