論文の概要: Segmentation-free Estimation of Aortic Diameters from MRI Using Deep
Learning
- arxiv url: http://arxiv.org/abs/2009.04507v1
- Date: Wed, 9 Sep 2020 18:28:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-20 11:56:29.119510
- Title: Segmentation-free Estimation of Aortic Diameters from MRI Using Deep
Learning
- Title（参考訳）: 深層学習を用いたMRIによる大動脈径の分別自由推定
- Authors: Axel Aguerreberry, Ezequiel de la Rosa, Alain Lalande and Elmer
Fernandez
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.231365407061881
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and reproducible measurements of the aortic diameters are crucial
for the diagnosis of cardiovascular diseases and for therapeutic decision
making. Currently, these measurements are manually performed by healthcare
professionals, being time consuming, highly variable, and suffering from lack
of reproducibility. In this work we propose a supervised deep learning method
for the direct estimation of aortic diameters. The approach is devised and
tested over 100 magnetic resonance angiography scans without contrast agent.
All data was expert-annotated at six aortic locations typically used in
clinical practice. Our approach makes use of a 3D+2D convolutional neural
network (CNN) that takes as input a 3D scan and outputs the aortic diameter at
a given location. In a 5-fold cross-validation comparison against a fully 3D
CNN and against a 3D multiresolution CNN, our approach was consistently
superior in predicting the aortic diameters. Overall, the 3D+2D CNN achieved a
mean absolute error between 2.2-2.4 mm depending on the considered aortic
location. These errors are less than 1 mm higher than the inter-observer
variability. Thus, suggesting that our method makes predictions almost reaching
the expert's performance. We conclude that the work allows to further explore
automatic algorithms for direct estimation of anatomical structures without the
necessity of a segmentation step. It also opens possibilities for the
automation of cardiovascular measurements in clinical settings.
- Abstract（参考訳）: 大動脈径の正確な再現性測定は、心血管疾患の診断および治療的意思決定に不可欠である。
現在、これらの測定は医療専門家によって手作業で行われ、時間がかかり、非常に可変であり、再現性の欠如に苦しんでいる。
本研究では,大動脈径の直接推定のための教師付きディープラーニング手法を提案する。
この手法は造影剤を使わずに100以上の磁気共鳴血管造影スキャンを考案・試験した。
データはすべて6箇所の大動脈に専門家による注釈が付され, 臨床応用が一般的であった。
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。
完全3次元cnnと3次元マルチレゾリューションcnnとの5倍クロスバリデーション比較では, 大動脈径の予測に一貫して優れていた。
全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均絶対誤差を達成した。
これらのエラーは、オブザーバ間の可変性よりも1mm未満である。
したがって,本手法は専門家の性能にほぼ届きそうな予測を行う。
本研究は, 分節化ステップを必要とせず, 解剖学的構造を直接推定する自動アルゴリズムのさらなる探索を可能にすると結論づける。
また、臨床における心血管計測の自動化の可能性も開けている。
関連論文リスト
- Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。
UIA検出では偽陽性率は0.21で感度は0.80であった。
論文 参考訳（メタデータ） (2023-08-06T03:28:08Z) - CT Perfusion is All We Need: 4D CNN Segmentation of Penumbra and Core in
Patients With Suspected Ischemic Stroke [1.6836876499886009]
本稿では,時間情報を完全に活用する4つの畳み込みを入力として利用する方法について検討する。
提案した4D mJ-Netを用いることで、ペニブラとコア領域の分割にそれぞれ0.53と0.23のDice係数が得られる。
論文 参考訳（メタデータ） (2023-03-15T16:53:19Z) - Non-invasive Localization of the Ventricular Excitation Origin Without
Patient-specific Geometries Using Deep Learning [0.6999972048611302]
心室頻拍(VT)は、毎年425万人が心不全で死亡する原因の一つとなる。
アブレーション過程における局所化を容易にするために,畳み込みニューラルネットワーク(CNN)に基づく2つの新しい局所化手法を提案する。
論文 参考訳（メタデータ） (2022-09-16T09:30:13Z) - 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 unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳（メタデータ） (2022-03-01T17:08:41Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - 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) - CNN Based Segmentation of Infarcted Regions in Acute Cerebral Stroke
Patients From Computed Tomography Perfusion Imaging [2.1626699124055504]
血栓溶解療法は脳損傷を軽減できるが、治療窓は狭い。
Computed To Perfusion Imagingは、脳卒中患者の一般的な一次評価ツールです。
完全自動化された4次元畳み込みニューラルネットワークに基づくセグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2021-04-07T09:09:13Z) - Revisiting 3D Context Modeling with Supervised Pre-training for
Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。
新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。
提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文 参考訳（メタデータ） (2020-12-16T07:11:16Z) - Interactive Radiotherapy Target Delineation with 3D-Fused Context
Propagation [28.97228589610255]
畳み込みニューラルネットワーク(CNN)は、自動3D医療セグメンテーションタスクで支配されています。
編集したスライスを3Dボリューム全体に伝搬する3D融合コンテキスト伝搬を提案する。
論文 参考訳（メタデータ） (2020-12-12T17:46:20Z) - 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)
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。