Fugu-MT 論文翻訳(概要): Landmark detection in Cardiac Magnetic Resonance Imaging Using A Convolutional Neural Network

論文の概要: Landmark detection in Cardiac Magnetic Resonance Imaging Using A Convolutional Neural Network

arxiv url: http://arxiv.org/abs/2008.06142v1
Date: Fri, 14 Aug 2020 00:25:59 GMT
ステータス: 処理完了
システム内更新日: 2022-10-30 17:55:07.906844
Title: Landmark detection in Cardiac Magnetic Resonance Imaging Using A Convolutional Neural Network
Title（参考訳）: 畳み込みニューラルネットワークを用いた心臓磁気共鳴画像のランドマーク検出
Authors: Hui Xue, Jessica Artico, Marianna Fontana, James C Moon, Rhodri H Davies, Peter Kellman
Abstract要約: この振り返り調査では、2つの病院のcine, LGE, T1マッピングスキャンが実施された。 CNNモデルは、長軸(LAX)画像上の2つの僧帽弁面と尖点を検出するために開発された。 RV挿入角度とLV長に有意な差は認められなかった。
参考スコア（独自算出の注目度）: 4.6250189957415255
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Purpose: To develop a convolutional neural network (CNN) solution for robust landmark detection in cardiac MR images. Methods: This retrospective study included cine, LGE and T1 mapping scans from two hospitals. The training set included 2,329 patients and 34,019 images. A hold-out test set included 531 patients and 7,723 images. CNN models were developed to detect two mitral valve plane and apical points on long-axis (LAX) images. On short-axis (SAX) images, anterior and posterior RV insertion points and LV center were detected. Model outputs were compared to manual labels by two operators for accuracy with a t-test for statistical significance. The trained model was deployed to MR scanners. Results: For the LAX images, success detection was 99.8% for cine, 99.4% for LGE. For the SAX, success rate was 96.6%, 97.6% and 98.9% for cine, LGE and T1-mapping. The L2 distances between model and manual labels were 2 to 3.5 mm, indicating close agreement between model landmarks to manual labels. No significant differences were found for the anterior RV insertion angle and LV length by the models and operators for all views and imaging sequences. Model inference on MR scanner took 610ms/5.6s on GPU/CPU, respectively, for a typical cardiac cine series. Conclusions: This study developed, validated and deployed a CNN solution for robust landmark detection in both long and short-axis CMR images for cine, LGE and T1 mapping sequences, with the accuracy comparable to the inter-operator variation.
Abstract（参考訳）: 目的: 心臓MRI画像におけるロバストなランドマーク検出のための畳み込みニューラルネットワーク(CNN)ソリューションを開発すること。方法: この振り返り調査では, 2つの病院のcine, LGE, T1 マッピングスキャンを行った。トレーニングセットには2,329人の患者と34,019枚の画像が含まれていた。 531人の患者と723人の画像が含まれていた。 CNNモデルは2つの僧帽弁面と長軸画像上の尖点を検出するために開発された。短軸(sax)像では前後のrv挿入点とlv中心が検出された。モデル出力を2つの演算子による手動ラベルと比較し, 統計的に有意なt検定を行った。訓練されたモデルはMRスキャナーにデプロイされた。結果: LAX画像では,シネが99.8%,LGEが99.4%であった。 SAXでは、成功率は96.6%、97.6%、シネ、LGE、T1マッピングの98.9%であった。モデルラベルとマニュアルラベルの間のl2距離は2～3.5mmであり、モデルランドマークとマニュアルラベルの密接な一致を示している。前方rv挿入角度とlv長には,全視野像と撮像像で有意な差は認められなかった。 MRスキャナーのモデル推論は、典型的な心臓のシネシリーズではGPU/CPUで610ms/5.6sであった。結論: 本研究は, シネ, LGE, T1マッピングシーケンスの長軸CMR画像と短軸CMR画像の両方において, 頑健なランドマーク検出のためのCNNソリューションを開発し, 検証し, 展開した。

関連論文リスト

Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
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)
Deep learning-based detection of intravenous contrast in computed tomography scans [0.7313653675718069]
CTスキャンにおける静脈内(IV)コントラストの同定は、モデル開発と試験のためのデータキュレーションの鍵となる要素である。我々は,CTスキャン内でIVコントラストを識別するCNNベースのディープラーニングプラットフォームを開発し,検証した。
論文参考訳（メタデータ） (2021-10-16T00:46:45Z)
The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
論文参考訳（メタデータ） (2021-09-18T02:28:01Z)
CardiSort: a convolutional neural network for cross vendor automated sorting of cardiac MR images [2.0791118244420757]
両頭畳み込みニューラルネットワーク("CardiSort")は、画像シーケンスと平面によって35のシーケンスを分類するように訓練された。単ベンダートレーニング (SVT) とマルチベンダートレーニング (MVT) で高次および平面精度が観察された。一般的なシーケンスと従来の心臓面の精度は高かった。
論文参考訳（メタデータ） (2021-09-17T11:42:39Z)
Dopamine Transporter SPECT Image Classification for Neurodegenerative Parkinsonism via Diffusion Maps and Machine Learning Classifiers [0.0]
本研究では, SPECT イメージを通常の DaT-SPECT イメージ群と異常 DaT-SPECT イメージ群の2種類に分類する,自動的かつ堅牢な方法を提案する。 N患者の3D画像はN by Nペアワイズ距離行列にマッピングされ、トレーニングセットは拡散マップを使用して低次元空間に埋め込まれる。この方法の実現可能性は、Parkinsonism Progression Markers Initiative(PPMI)データセット1097の被験者と630人の患者のKCGMH-TW(Kohsiung Chang Gung Memorial Hospital)からの臨床コホートによって実証される。
論文参考訳（メタデータ） (2021-04-06T06:30:15Z)
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 Learning Based Detection and Localization of Intracranial Aneurysms in Computed Tomography Angiography [5.973882600944421]
初期動脈瘤検出のための3D領域提案ネットワークと偽陽性縮小のための3D DenseNetという2段階モデルが実装された。本モデルでは,0.25FPPV,最高F-1スコアと比較すると,統計的に高い精度,感度,特異性を示した。
論文参考訳（メタデータ） (2020-05-22T10:49:23Z)
CNN-CASS: CNN for Classification of Coronary Artery Stenosis Score in MPR Images [0.0]
MPR画像における狭窄の重症度を同定する自動モデルを開発した。このモデルは3つのクラスのうちの1つを予測している: 正常の'no stenosis'、検出された'non-significant' - 1-50%の狭窄、'significant' - 50%以上の狭窄。狭窄スコア分類では, 従来の検査結果と比較して, 80%の精度で精度が向上した。
論文参考訳（メタデータ） (2020-01-23T15:20:22Z)

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。