論文の概要: Automated Intracranial Artery Labeling using a Graph Neural Network and Hierarchical Refinement

• arxiv url: http://arxiv.org/abs/2007.14472v1
• Date: Sat, 11 Jul 2020 06:22:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 13:00:04.373584
• Title: Automated Intracranial Artery Labeling using a Graph Neural Network and Hierarchical Refinement
• Title（参考訳）: グラフニューラルネットワークと階層的リファインメントを用いた頭蓋内ラベリングの自動化
• Authors: Li Chen, Thomas Hatsukami, Jenq-Neng Hwang, Chun Yuan
• Abstract要約: 属性付きリレーショナルグラフにおけるノードとエッジのタイプを分類し,動脈をラベル付けするグラフニューラルネットワーク(GNN)手法を提案する。 我々の手法は97.5%の精度でノードラベリングを行い、63.8%のスキャンはウィリスのすべてのノードに対して正しくラベル付けされた。
• 参考スコア（独自算出の注目度）: 45.85443690049826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatically labeling intracranial arteries (ICA) with their anatomical names is beneficial for feature extraction and detailed analysis of intracranial vascular structures. There are significant variations in the ICA due to natural and pathological causes, making it challenging for automated labeling. However, the existing public dataset for evaluation of anatomical labeling is limited. We construct a comprehensive dataset with 729 Magnetic Resonance Angiography scans and propose a Graph Neural Network (GNN) method to label arteries by classifying types of nodes and edges in an attributed relational graph. In addition, a hierarchical refinement framework is developed for further improving the GNN outputs to incorporate structural and relational knowledge about the ICA. Our method achieved a node labeling accuracy of 97.5%, and 63.8% of scans were correctly labeled for all Circle of Willis nodes, on a testing set of 105 scans with both healthy and diseased subjects. This is a significant improvement over available state-of-the-art methods. Automatic artery labeling is promising to minimize manual effort in characterizing the complicated ICA networks and provides valuable information for the identification of geometric risk factors of vascular disease. Our code and dataset are available at https://github.com/clatfd/GNN-ARTLABEL.
• Abstract（参考訳）: 頭蓋内動脈 (ica) を解剖学的名称で自動的に分類することは, 頭蓋内血管構造の特徴抽出および詳細な解析に有用である。 ICAには自然および病理的な原因により大きなバリエーションがあり、自動ラベリングが困難である。 しかし、解剖学的ラベリングの評価のための既存の公開データセットは限られている。 我々は、729磁気共鳴血管造影スキャンを用いた包括的データセットを構築し、属性付きリレーショナルグラフのノードとエッジのタイプを分類して動脈をラベル付けするグラフニューラルネットワーク(GNN)手法を提案する。 さらに,gnn出力をさらに改善し,icaに関する構造的および関係的知識を組み込むための階層的改良フレームワークを開発した。 本手法は,健常者および疾患患者の105回の検診において,全Willisノードに対して97.5%,63.8%のスキャンを正しくラベル付けした。 これは最先端の手法よりも大幅に改善されている。 動脈の自動ラベリングは複雑なicaネットワークを特徴付けるための手作業を最小限にし、血管疾患の幾何学的危険因子の同定に有用な情報を提供する。 私たちのコードとデータセットはhttps://github.com/clatfd/GNN-ARTLABELで公開されています。

関連論文リスト

• Multi-graph Graph Matching for Coronary Artery Semantic Labeling [4.238852424523291]
  冠状動脈意味的ラベル付けのためのマルチグラフグラフマッチング(MGM)アルゴリズムを提案する。 MGMアルゴリズムは、複数の血管木グラフにおける動脈間の類似性を評価し、各グラフ間のサイクル整合性を考慮して評価する。 718 ICAを用いた多地点データセットを用いて冠動脈セマンティックラベリングの精度0.9471の精度を実現した。
  論文  参考訳（メタデータ） (2024-02-24T20:02:00Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Coronary Artery Semantic Labeling using Edge Attention Graph Matching Network [4.316187690050619]
  冠状動脈疾患 (CAD) は、世界中の死因の1つである。 本稿では,冠動脈セマンティックラベリングのためのエッジアテンショングラフマッチングネットワーク(EAGMN)を提案する。
  論文  参考訳（メタデータ） (2023-05-21T03:14:42Z)
• Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
  コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。 詳しくは、グラフの基本構造は一般知識から事前構築される。 各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
  論文  参考訳（メタデータ） (2023-03-18T03:53:43Z)
• AGMN: Association Graph-based Graph Matching Network for Coronary Artery Semantic Labeling on Invasive Coronary Angiograms [3.475534733052516]
  冠状動脈意味的ラベル付けのためのアソシエーショングラフベースのグラフマッチングネットワーク(AGMN)を提案する。 AGMNモデルの平均精度は0.8264、平均精度は0.8276、平均リコールは0.8264、F1スコアは0.8262である。
  論文  参考訳（メタデータ） (2023-01-11T21:54:28Z)
• Automated Coronary Arteries Labeling Via Geometric Deep Learning [13.515293812745343]
  血管造影検査から得られた3次元座標データによく適合する直感的なグラフ表現法を提案する。 その後、幾何学的深層学習を用いて対象別グラフの分析を試みる。 提案モデルでは,141例の専門的アノテートラベルを用いて,各冠動脈セグメントの表現を学習し,訓練データにおける解剖学的変動の影響を捉えた。
  論文  参考訳（メタデータ） (2022-12-01T09:31:08Z)
• Deep Feature Fusion via Graph Convolutional Network for Intracranial Artery Labeling [9.85779770378859]
  頭蓋内動脈は、脳に酸素を供給している重要な血管である。 脳動脈の解剖学的ラベル付けにおいて、様々な機械学習アルゴリズムが自動化されている。 本研究では,脳動脈ラベリングのための深部核融合を用いた新しいグラフ畳み込みニューラルネットワークについて検討した。
  論文  参考訳（メタデータ） (2022-05-22T06:11:21Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Multi-Task Neural Networks with Spatial Activation for Retinal Vessel Segmentation and Artery/Vein Classification [49.64863177155927]
  本稿では,網膜血管,動脈,静脈を同時に分割する空間活性化機構を備えたマルチタスクディープニューラルネットワークを提案する。 提案するネットワークは,容器分割における画素ワイド精度95.70%,A/V分類精度94.50%を実現している。
  論文  参考訳（メタデータ） (2020-07-18T05:46:47Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。