論文の概要: Quantifying Graft Detachment after Descemet's Membrane Endothelial Keratoplasty with Deep Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2004.12807v1
• Date: Fri, 24 Apr 2020 08:01:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 04:09:30.762329
• Title: Quantifying Graft Detachment after Descemet's Membrane Endothelial Keratoplasty with Deep Convolutional Neural Networks
• Title（参考訳）: 深部畳み込みニューラルネットワークを用いたDescemet膜角膜移植後のグラフト剥離の定量
• Authors: Friso G. Heslinga, Mark Alberti, Josien P.W. Pluim, Javier Cabrerizo, Mitko Veta
• Abstract要約: われわれは,Descemet膜内皮角膜形成術(DMEK)後に自動的に剥離を検出・移植する方法を,AS-OCTスキャンで開発した。 深層学習パイプラインは, 硬化部を局在させ, AS-OCT Bスキャンを中心とし, 剥離した移植片を分割するために開発された。
• 参考スコア（独自算出の注目度）: 4.638586478570428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: We developed a method to automatically locate and quantify graft detachment after Descemet's Membrane Endothelial Keratoplasty (DMEK) in Anterior Segment Optical Coherence Tomography (AS-OCT) scans. Methods: 1280 AS-OCT B-scans were annotated by a DMEK expert. Using the annotations, a deep learning pipeline was developed to localize scleral spur, center the AS-OCT B-scans and segment the detached graft sections. Detachment segmentation model performance was evaluated per B-scan by comparing (1) length of detachment and (2) horizontal projection of the detached sections with the expert annotations. Horizontal projections were used to construct graft detachment maps. All final evaluations were done on a test set that was set apart during training of the models. A second DMEK expert annotated the test set to determine inter-rater performance. Results: Mean scleral spur localization error was 0.155 mm, whereas the inter-rater difference was 0.090 mm. The estimated graft detachment lengths were in 69% of the cases within a 10-pixel (~150{\mu}m) difference from the ground truth (77% for the second DMEK expert). Dice scores for the horizontal projections of all B-scans with detachments were 0.896 and 0.880 for our model and the second DMEK expert respectively. Conclusion: Our deep learning model can be used to automatically and instantly localize graft detachment in AS-OCT B-scans. Horizontal detachment projections can be determined with the same accuracy as a human DMEK expert, allowing for the construction of accurate graft detachment maps. Translational Relevance: Automated localization and quantification of graft detachment can support DMEK research and standardize clinical decision making.
• Abstract（参考訳）: 目的: 前節光コヒーレンス断層撮影法(as-oct)におけるdescemet膜内皮角膜形成術(dmek)後の移植片剥離の自動検出と定量化法を開発した。 方法: 1280 AS-OCT BスキャンはDMEKの専門家によって注釈された。 このアノテーションを用いて, 強膜枝の局所化, as-oct b-scans中心, 剥離部を分割する深層学習パイプラインを開発した。 1) 分割長と(2) 分割区間の水平投影を専門家アノテーションと比較することにより, 分割分割モデルの性能をBスキャン毎に評価した。 水平投影はグラフト・デタッチメント・マップの構築に用いられた。 最終的な評価はすべて、モデルのトレーニング中に分離されたテストセットで行われた。 第2のDMEK専門家がテストセットに注釈を付け、レータ間のパフォーマンスを判定した。 結果: 平均 scleral spur localization error は0.155 mm, レート間差は0.090 mmであった。 グラフト剥離長は10ピクセル (~150{\mu}m) 内69%であり, 底面の真偽 (第2のDMEK専門家は77%) との差が認められた。 分離部を有するb-scanの水平投射のdiceスコアは,それぞれ0.896点と0.880点であった。 結論: 深層学習モデルを用いて, AS-OCT Bスキャンのグラフト剥離を自動的に, 即時局所化することができる。 水平剥離プロジェクションは人間のDMEK専門家と同じ精度で決定でき、正確なグラフト剥離マップを構築することができる。 翻訳関連性: グラフト剥離の自動局所化と定量化は、DMEK研究を支援し、臨床意思決定を標準化する。

関連論文リスト

• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images [0.23960026858846614]
  本研究の目的は,甲状腺シンチグラフィー画像を用いた甲状腺疾患分類を向上する自動パイプラインを開発することである。 2,643人の甲状腺シンチグラフィー画像を収集し,DG(diffuse goiter),MNG(multinodal goiter),甲状腺炎(TH)に分類した。 パイプラインは、さまざまなクラスにわたるいくつかの分類指標で、医師のセグメンテーションに匹敵するパフォーマンスを示した。
  論文  参考訳（メタデータ） (2024-07-14T21:29:28Z)
• Localizing Anomalies via Multiscale Score Matching Analysis [13.898576482792173]
  本稿では,脳MRIにおける異常局所化のための新しい教師なし手法であるSpatial-MSMAを紹介する。 パッチ位置とグローバル画像の特徴を条件としたフレキシブルな正規化フローモデルを用いて、パッチワイド異常スコアを推定する。 この方法は、通常発達している幼児の1,650T1およびT2重み付き脳MRIのデータセットで評価される。
  論文  参考訳（メタデータ） (2024-06-28T17:57:12Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Automatic Classification of Symmetry of Hemithoraces in Canine and Feline Radiographs [0.0]
  畳み込みニューラルネットワーク(CNN)とアクティブな輪郭に基づくヘミトトラス分割法を提案する。 提案手法のロバスト性を検証するため, 被曝・露出過多に対するソラックスセグメンテーション法を用いて, 適切に露光したラジオグラフィーを合成的に劣化させた。
  論文  参考訳（メタデータ） (2023-02-24T22:46:16Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Robustness Investigation on Deep Learning CT Reconstruction for Real-Time Dose Optimization [8.036721491921218]
  線量最適化のための臓器形状を推定するには、予備CT再建が必要です。 本研究では,このようなアプリケーションにおける多様体近似(AUTOMAP)による自動変換の性能を検討する。 2つのプロジェクションまたは4つのプロジェクションから直接画像再構築のためのAUTOMAPモデルをトレーニングします。 テスト画像は平均根平均二乗誤差290huに達する。
  論文  参考訳（メタデータ） (2020-12-07T10:55:54Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)
• A comparative study of 2D image segmentation algorithms for traumatic brain lesions using CT data from the ProTECTIII multicenter clinical trial [0.0]
  外傷性脳損傷(TBI)後に発見された出血性病変の表現型について検討した。 内皮内出血(IPH)、硬膜下血腫(SDH)、硬膜外血腫(EDH)、外傷性腸重積などがある。 Focal Tversky Loss Functionを用いたUNet++ 2D Architectureを用いて,最適Dice Coefficient1スコア0.94を達成することができた。 また, 軸外出血例と外傷例のDice Coefficientスコア0.90と0.86をそれぞれ達成できた。
  論文  参考訳（メタデータ） (2020-06-01T21:00:20Z)
• 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)
• Deep Reinforcement Learning for Organ Localization in CT [59.23083161858951]
  我々はCTにおける臓器局所化のための深層強化学習手法を提案する。 この研究において、人工エージェントは、その主張や誤りから学習することで、CT内の臓器の局所化を積極的に行う。 本手法は,任意の臓器をローカライズするためのプラグイン・アンド・プレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2020-05-11T10:06:13Z)

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。