Fugu-MT 論文翻訳(概要): Deep Learning for Automatic Spleen Length Measurement in Sickle Cell Disease Patients

論文の概要: Deep Learning for Automatic Spleen Length Measurement in Sickle Cell Disease Patients

arxiv url: http://arxiv.org/abs/2009.02704v1
Date: Sun, 6 Sep 2020 10:47:49 GMT
ステータス: 処理完了
システム内更新日: 2022-10-21 08:11:27.867080
Title: Deep Learning for Automatic Spleen Length Measurement in Sickle Cell Disease Patients
Title（参考訳）: Sickle cell 病患者におけるSpleen 長自動計測のための深層学習
Authors: Zhen Yuan, Esther Puyol-Anton, Haran Jogeesvaran, Catriona Reid, Baba Inusa, Andrew P. King
Abstract要約: シックル細胞病(Sickle Cell Disease, SCD)は、世界で最も一般的な遺伝疾患の一つである。脾臓の大きさを測定するための現在のワークフローには、おそらく2次元超音波画像における手動長さ測定が続く。超音波画像から脾臓の長さを自動的に推定する深層学習法について検討した。
参考スコア（独自算出の注目度）: 1.739079346425631
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Sickle Cell Disease (SCD) is one of the most common genetic diseases in the world. Splenomegaly (abnormal enlargement of the spleen) is frequent among children with SCD. If left untreated, splenomegaly can be life-threatening. The current workflow to measure spleen size includes palpation, possibly followed by manual length measurement in 2D ultrasound imaging. However, this manual measurement is dependent on operator expertise and is subject to intra- and inter-observer variability. We investigate the use of deep learning to perform automatic estimation of spleen length from ultrasound images. We investigate two types of approach, one segmentation-based and one based on direct length estimation, and compare the results against measurements made by human experts. Our best model (segmentation-based) achieved a percentage length error of 7.42%, which is approaching the level of inter-observer variability (5.47%-6.34%). To the best of our knowledge, this is the first attempt to measure spleen size in a fully automated way from ultrasound images.
Abstract（参考訳）: シックル細胞病(scd)は、世界で最も一般的な遺伝疾患の一つである。 scdの小児では脾腫(脾の異常な拡大)が頻発する。未治療の場合、脾腫は生命を脅かす可能性がある。脾臓の大きさを測定するための現在のワークフローには、おそらく2次元超音波画像における手動長さ測定が続く。しかし、この手動測定はオペレーターの専門知識に依存しており、オブザーバー内およびオブザーバー間変動の対象となる。超音波画像から脾臓長の自動推定を行うための深層学習法について検討した。本研究では,2種類のアプローチについて,1つのセグメンテーションベースと1つの直接的な長さ推定に基づいて検討し,人的専門家による測定結果と比較した。我々の最良のモデル(セグメンテーションベース)はパーセンテージ長の誤差が7.42%となり、サーバ間変動のレベル(5.47%-6.34%)に近づいている。私たちの知る限りでは、これは超音波画像から完全に自動化された方法で脾臓のサイズを測定する最初の試みです。

関連論文リスト

DeepSPV: An Interpretable Deep Learning Pipeline for 3D Spleen Volume Estimation from 2D Ultrasound Images [7.727342487565146]
脾腫は、疾患細胞病(SCD)などの様々な関連疾患に対する重要な臨床指標である本研究では,1次元または2次元の超音波画像からスプレエン体積を正確に推定する深層学習パイプラインであるDeepSPVを提案する。
論文参考訳（メタデータ） (2024-11-17T22:43:07Z)
Deep Learning Framework for Spleen Volume Estimation from 2D Cross-sectional Views [3.8212870622288744]
シングルビューまたはデュアルビュー2Dセグメンテーションから脾体積を測定するための変分オートエンコーダベースのフレームワークについて述べる。我々の最良のモデルでは、単一のビューと双ビューのセグメンテーションで86.62%と92.58%の相対体積精度を達成した。
論文参考訳（メタデータ） (2023-08-15T20:58:42Z)
Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文参考訳（メタデータ） (2022-10-13T15:34:20Z)
Deep Learning Fetal Ultrasound Video Model Match Human Observers in Biometric Measurements [8.468600443532413]
本研究では、胎児の身体部分の自動計測に深層畳み込みニューラルネットワーク(CNN)を用いる方法について検討する。測定値の差は, サーバ間およびサーバ内変動の範囲内であった。 FUVAIは, 胎児の生体計測を臨床現場で行うソノグラフィーを支援する可能性を秘めている。
論文参考訳（メタデータ） (2022-05-27T09:00:19Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)
A Deep Learning Localization Method for Measuring Abdominal Muscle Dimensions in Ultrasound Images [2.309018557701645]
腰痛(LBP)患者に対する2次元(2D)超音波像を用いて, 腹筋次元を計測し, 治療計画の作成と診断に有用である。可変性が高いため、サーバ内の信頼性を低くするためには、専門的な訓練を受けた熟練した専門家が測定を行う必要がある。本稿では,2次元US画像の腹部筋厚測定を自動化するために,Deep Learning (DL) アプローチを用いる。
論文参考訳（メタデータ） (2021-09-30T08:36:50Z)
Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。タイルサイズと入力戦略の影響について検討した。
論文参考訳（メタデータ） (2021-09-14T09:42:37Z)
Assisted Probe Positioning for Ultrasound Guided Radiotherapy Using Image Sequence Classification [55.96221340756895]
前立腺外照射療法における経皮的超音波画像誘導は, 患者設定中の各セッションにおけるプローブと前立腺の整合性を必要とする。本研究では,画像とプローブ位置データの共同分類により,高精度なプローブ配置を確保する方法を示す。マルチ入力マルチタスクアルゴリズムを用いて、光学的追跡された超音波プローブからの空間座標データを、繰り返しニューラルネットワークを用いて画像クラスシファイアと組み合わせ、リアルタイムで2セットの予測を生成する。このアルゴリズムは平均(標準偏差)3.7$circ$ (1.2$circ$)の範囲内で最適なプローブアライメントを同定する。
論文参考訳（メタデータ） (2020-10-06T13:55:02Z)
Segmentation-free Estimation of Aortic Diameters from MRI Using Deep Learning [2.231365407061881]
大動脈径の直接推定のための教師付き深層学習法を提案する。提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
論文参考訳（メタデータ） (2020-09-09T18:28:00Z)
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)
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。

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。