論文の概要: Fully Automated Myocardial Strain Estimation from CMR Tagged Images using a Deep Learning Framework in the UK Biobank

• arxiv url: http://arxiv.org/abs/2004.07064v1
• Date: Wed, 15 Apr 2020 12:49:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 04:26:20.040303
• Title: Fully Automated Myocardial Strain Estimation from CMR Tagged Images using a Deep Learning Framework in the UK Biobank
• Title（参考訳）: ディープ・ラーニング・フレームワークを用いた英国バイオバンクにおけるcmrタグ付き画像からの完全自動心筋ひずみ推定
• Authors: Edward Ferdian, Avan Suinesiaputra, Kenneth Fung, Nay Aung, Elena Lukaschuk, Ahmet Barutcu, Edd Maclean, Jose Paiva, Stefan K. Piechnik, Stefan Neubauer, Steffen E Petersen, and Alistair A. Young
• Abstract要約: 本研究の目的は,短軸磁気共鳴タグ画像から心筋のひずみを推定するために,完全自動ディープラーニングフレームワークの有効性と性能を実証することである。 この枠組みは、糖尿病、高血圧症、および以前の心臓発作の患者において、周囲のひずみを著しく減少させた。
• 参考スコア（独自算出の注目度）: 0.33271859484894845
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Purpose: To demonstrate the feasibility and performance of a fully automated deep learning framework to estimate myocardial strain from short-axis cardiac magnetic resonance tagged images. Methods and Materials: In this retrospective cross-sectional study, 4508 cases from the UK Biobank were split randomly into 3244 training and 812 validation cases, and 452 test cases. Ground truth myocardial landmarks were defined and tracked by manual initialization and correction of deformable image registration using previously validated software with five readers. The fully automatic framework consisted of 1) a convolutional neural network (CNN) for localization, and 2) a combination of a recurrent neural network (RNN) and a CNN to detect and track the myocardial landmarks through the image sequence for each slice. Radial and circumferential strain were then calculated from the motion of the landmarks and averaged on a slice basis. Results: Within the test set, myocardial end-systolic circumferential Green strain errors were -0.001 +/- 0.025, -0.001 +/- 0.021, and 0.004 +/- 0.035 in basal, mid, and apical slices respectively (mean +/- std. dev. of differences between predicted and manual strain). The framework reproduced significant reductions in circumferential strain in diabetics, hypertensives, and participants with previous heart attack. Typical processing time was ~260 frames (~13 slices) per second on an NVIDIA Tesla K40 with 12GB RAM, compared with 6-8 minutes per slice for the manual analysis. Conclusions: The fully automated RNNCNN framework for analysis of myocardial strain enabled unbiased strain evaluation in a high-throughput workflow, with similar ability to distinguish impairment due to diabetes, hypertension, and previous heart attack.
• Abstract（参考訳）: 目的: 完全自動ディープラーニングフレームワークの実現可能性と性能を実証し, 短軸磁気共鳴タグ付き画像から心筋ひずみを推定する。 方法と材料:本調査では,英国バイオバンクの4508例をランダムに3244例,検証ケース812例,検査ケース452例に分けた。 手動初期化と変形性画像登録の補正により, 5人の読者による検証済みのソフトウェアを用いて, 心電図の撮影と追跡を行った。 完全に自動化された枠組みは 1)局在化のための畳み込みニューラルネットワーク(cnn)および 2)リカレントニューラルネットワーク(RNN)とCNNの組み合わせにより、スライス毎に画像シーケンスを介して心筋のランドマークを検出し、追跡する。 その後、ランドマークの動きから放射ひずみと周ひずみを計算し、スライスベースで平均化した。 結果: テストセットでは, 胸部, 中, 腹側スライスでは-0.001 +/- 0.025, -0.001 +/- 0.021, 0.004 +/- 0.035であった。 この枠組みは、糖尿病、高血圧症、および前回の心臓発作の参加者の周縁系統の有意な減少を再現した。 典型的な処理時間はNVIDIA Tesla K40の12GB RAMで毎秒260フレーム (~13スライス)、マニュアル分析では6-8分であった。 結論: 完全自動化されたrnncnnフレームワークにより, 糖尿病, 高血圧, 先天性心筋梗塞による障害を鑑別する能力を持つ高スループットワークフローにおいて, 偏りのないひずみ評価が可能となった。

関連論文リスト

• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Searching for Effective Neural Network Architectures for Heart Murmur Detection from Phonocardiogram [5.183688633606942]
  George B. Moody PhysioNet Challenge 2022は、超音波心電図(PCGs)による心室検出と心機能異常の同定の問題を提起した。 この研究は、我々のチームであるRevengerがこれらの問題を解決するために開発した新しいアプローチについて述べます。
  論文  参考訳（メタデータ） (2023-03-06T09:31:42Z)
• 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)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
  注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2021-10-19T00:03:57Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Spatio-temporal Multi-task Learning for Cardiac MRI Left Ventricle Quantification [6.887389908965403]
  心左心室(LV)形態の完全な測定セットを得るための学習時型マルチタスクアプローチを提案します。 まず,エンコーダデコーダネットワークを用いてLVを分割し,11のLV指標を回帰し,心相を分類する枠組みを導入する。 提案モデルは,mr画像から空間的特徴と特徴を抽出する3次元時空間畳み込みに基づく。
  論文  参考訳（メタデータ） (2020-12-24T17:48:35Z)
• Fully Automated Left Atrium Segmentation from Anatomical Cine Long-axis MRI Sequences using Deep Convolutional Neural Network with Unscented Kalman Filter [0.3344190892270789]
  本研究は, 左房セグメンテーションの完全自動化手法を提案する。 提案手法は,長軸配列のタイプを自動的に検出する分類ネットワークと,3種類の畳み込みニューラルネットワークモデルから構成される。 また,20名以上の患者から得られた各チャンバー群の画像数に等しい1515枚以上の画像から,提案したモデルが最先端であることを示した。
  論文  参考訳（メタデータ） (2020-09-28T21:06:35Z)
• Fully automated deep learning based segmentation of normal, infarcted and edema regions from multiple cardiac MRI sequences [0.3758535425255491]
  本稿では, 深部畳み込みニューラルネットワーク(CNN)を用いた心臓病理領域分割のための完全自動アプローチを提案する。 ネットワークへの入力は3つのCMR配列、すなわち、後期ガドリニウム増強(LGE)、T2、バランスの取れた定常状態フリー・プレセッション(bSSFP)から構成される。 提案手法は20のケースを含むテストセットを用いて,LV ME+MSの平均ダイススコアを46.8%,LV ME+MSの平均スコアを5.7%とする。
  論文  参考訳（メタデータ） (2020-08-18T07:01:24Z)
• 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。