Fugu-MT 論文翻訳(概要): Automated Detection of Congenital Heart Disease in Fetal Ultrasound Screening

論文の概要: Automated Detection of Congenital Heart Disease in Fetal Ultrasound Screening

arxiv url: http://arxiv.org/abs/2008.06966v2
Date: Tue, 18 Aug 2020 01:29:45 GMT
ステータス: 処理完了
システム内更新日: 2022-10-28 11:57:56.974910
Title: Automated Detection of Congenital Heart Disease in Fetal Ultrasound Screening
Title（参考訳）: 胎児超音波検診における先天性心疾患の自動検出
Authors: Jeremy Tan, Anselm Au, Qingjie Meng, Sandy FinesilverSmith, John Simpson, Daniel Rueckert, Reza Razavi, Thomas Day, David Lloyd, Bernhard Kainz
Abstract要約: 自動データキュレーションと分類のためのパイプラインを提案する。我々は、補助的な視点分類タスクを利用して、関連する心構造に対する特徴をバイアスする。このバイアスは健康クラスとCHDクラスでそれぞれ0.72と0.77から0.87と0.85にF1スコアを改善するのに役立つ。
参考スコア（独自算出の注目度）: 7.496518691842825
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Prenatal screening with ultrasound can lower neonatal mortality significantly for selected cardiac abnormalities. However, the need for human expertise, coupled with the high volume of screening cases, limits the practically achievable detection rates. In this paper we discuss the potential for deep learning techniques to aid in the detection of congenital heart disease (CHD) in fetal ultrasound. We propose a pipeline for automated data curation and classification. During both training and inference, we exploit an auxiliary view classification task to bias features toward relevant cardiac structures. This bias helps to improve in F1-scores from 0.72 and 0.77 to 0.87 and 0.85 for healthy and CHD classes respectively.
Abstract（参考訳）: 超音波による出生前スクリーニングは、選択された心疾患の新生児死亡率を有意に低下させる。しかしながら、ヒトの専門知識の必要性は、スクリーニングケースの多さと相まって、現実的に達成可能な検出率を制限する。本稿では,胎児超音波における先天性心疾患(CHD)の検出を支援する深層学習技術の可能性について論じる。自動データキュレーションと分類のためのパイプラインを提案する。トレーニングと推論の両面において,補助的視点分類タスクを応用し,関連する心臓構造に対して特徴をバイアスする。このバイアスは健康クラスとCHDクラスでそれぞれ0.72と0.77から0.87と0.85にF1スコアを改善するのに役立つ。

関連論文リスト

Multi-Center Study on Deep Learning-Assisted Detection and Classification of Fetal Central Nervous System Anomalies Using Ultrasound Imaging [11.261565838608488]
出生前超音波は胎児の成長を評価し、妊娠中に先天性異常を検出する。深層学習モデルを構築し,胎児頭蓋異常の診断の総合的精度を向上させる。
論文参考訳（メタデータ） (2025-01-01T07:56:26Z)
Echocardiogram Foundation Model -- Application 1: Estimating Ejection Fraction [2.4164193358532438]
心エコー基礎モデルであるエコーAIを導入し,150万個の心エコーを用いて自己教師付き学習(SSL)を用いて訓練した。我々は,EchoAIを微調整し,平均絶対パーセンテージ誤差を9.40%と評価した。
論文参考訳（メタデータ） (2023-11-21T13:00:03Z)
Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文参考訳（メタデータ） (2023-04-26T14:11:04Z)
An Automatic Guidance and Quality Assessment System for Doppler Imaging of Umbilical Artery [2.4626113631507893]
経験豊富なソノグラフィーの不足は、機械支援の需要を生み出した。本研究では,このギャップを埋める自動システムを提案する。国立超音波検診データベースから得られた657枚の画像に対して,本システムの有効性を検証した。
論文参考訳（メタデータ） (2023-04-11T19:26:32Z)
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)
Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
論文参考訳（メタデータ） (2022-07-23T19:17:26Z)
Interpretable Prediction of Pulmonary Hypertension in Newborns using Echocardiograms [2.770437783544638]
新生児および乳児の肺高血圧は、いくつかの肺疾患、心臓疾患、全身疾患に関連する複雑な疾患である。心エコー図を用いたコホート194新生児のPH予測のための多視点ビデオに基づく多視点深層学習手法を提案する。
論文参考訳（メタデータ） (2022-03-24T12:33:58Z)
A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文参考訳（メタデータ） (2021-10-24T18:58:40Z)
Segmentation-free Heart Pathology Detection Using Deep Learning [12.065014651638943]
本研究では,新しいセグメンテーションフリー心音分類法を提案する。具体的には、離散ウェーブレット変換を用いて信号をノイズ化し、続いて特徴抽出と特徴量削減を行う。サポートベクトルマシンとディープニューラルネットワークは分類に使用される。
論文参考訳（メタデータ） (2021-08-09T16:09:30Z)
Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文参考訳（メタデータ） (2020-10-29T19:14:41Z)
Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文参考訳（メタデータ） (2020-04-28T14:43:05Z)

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。