論文の概要: autoTICI: Automatic Brain Tissue Reperfusion Scoring on 2D DSA Images of
Acute Ischemic Stroke Patients
- arxiv url: http://arxiv.org/abs/2010.01432v3
- Date: Fri, 7 May 2021 10:51:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 11:37:14.656322
- Title: autoTICI: Automatic Brain Tissue Reperfusion Scoring on 2D DSA Images of
Acute Ischemic Stroke Patients
- Title（参考訳）: 急性虚血性脳卒中患者の2次元DSA画像を用いた自動脳組織再灌流検査
- Authors: Ruisheng Su, Sandra A.P. Cornelissen, Matthijs van der Sluijs, Adriaan
C.G.M. van Es, Wim H. van Zwam, Diederik W.J. Dippel, Geert Lycklama, Pieter
Jan van Doormaal, Wiro J. Niessen, Aad van der Lugt, and Theo van Walsum
- Abstract要約: 脳梗塞の血栓溶解は急性期脳梗塞再灌流療法における重要な指標である。
既存のTICIスコアは、視覚検査に基づいて粗い順序付けで定義され、サーバ間およびサーバ内変動を引き起こす。
本稿では,自動的かつ定量的なTICIスコアリング手法であるAutoTICIを提案する。
- 参考スコア（独自算出の注目度）: 7.239126951855493
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Thrombolysis in Cerebral Infarction (TICI) score is an important metric
for reperfusion therapy assessment in acute ischemic stroke. It is commonly
used as a technical outcome measure after endovascular treatment (EVT).
Existing TICI scores are defined in coarse ordinal grades based on visual
inspection, leading to inter- and intra-observer variation. In this work, we
present autoTICI, an automatic and quantitative TICI scoring method. First,
each digital subtraction angiography (DSA) acquisition is separated into four
phases (non-contrast, arterial, parenchymal and venous phase) using a
multi-path convolutional neural network (CNN), which exploits spatio-temporal
features. The network also incorporates sequence level label dependencies in
the form of a state-transition matrix. Next, a minimum intensity map (MINIP) is
computed using the motion corrected arterial and parenchymal frames. On the
MINIP image, vessel, perfusion and background pixels are segmented. Finally, we
quantify the autoTICI score as the ratio of reperfused pixels after EVT. On a
routinely acquired multi-center dataset, the proposed autoTICI shows good
correlation with the extended TICI (eTICI) reference with an average area under
the curve (AUC) score of 0.81. The AUC score is 0.90 with respect to the
dichotomized eTICI. In terms of clinical outcome prediction, we demonstrate
that autoTICI is overall comparable to eTICI.
- Abstract（参考訳）: 脳梗塞(tici)スコアの血栓溶解は急性期脳梗塞における再灌流療法評価の重要な指標である。
血管内治療(EVT)後の技術的成果指標として一般的に用いられる。
既存のTICIスコアは、視覚検査に基づいて粗い順序付けで定義され、サーバ間およびサーバ内変動を引き起こす。
本稿では,自動的かつ定量的なTICIスコアリング手法であるAutoTICIを提案する。
まず,時空間的特徴を利用した多経路畳み込みニューラルネットワーク(CNN)を用いて,各デジタルサブトラクション血管造影(DSA)を4段階(非コントラスト,動脈,発作,静脈相)に分離する。
ネットワークはまた、状態遷移行列の形式でシーケンスレベルのラベル依存性も組み込んでいる。
次に、動補正動脈フレームと発作フレームを用いて最小強度マップ(MINIP)を算出する。
MINIP画像では、血管、灌流、背景画素が分割される。
最後に,オートティシスコアをEVT後の再拡散画素の比率として定量化する。
日常的に取得されたマルチセンターデータセットにおいて,提案したAutoTICIは,曲線(AUC)スコア0.81の平均領域に対する拡張TICI(eTICI)基準と良好な相関を示した。
AUCスコアは、ダイコトマイズされたeTICIに対して0.90である。
臨床結果の予測では,AutoTICI は eTICI と総じて同等であることを示す。
関連論文リスト
- 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) - 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) - 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-input segmentation of damaged brain in acute ischemic stroke
patients using slow fusion with skip connection [1.372466817835681]
急性虚血性脳梗塞患者における2つの虚血領域(コアとペナムブラ)を自動分割する方法を提案する。
我々のモデルは、マルチインプットと遅い融合を伴う畳み込み・デコンボリューションのボトルネック構造に基づいている。
提案したアーキテクチャは、神経放射線学者が注釈付けした地上の真実に匹敵する効果的な性能と結果を示す。
論文 参考訳（メタデータ） (2022-03-18T16:26:53Z) - 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) - Symmetry-Enhanced Attention Network for Acute Ischemic Infarct
Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。
提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。
提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文 参考訳（メタデータ） (2021-10-11T07:13:26Z) - AI-based Aortic Vessel Tree Segmentation for Cardiovascular Diseases
Treatment: Status Quo [55.04215695343928]
大動脈血管木は大動脈とその枝枝動脈からなる。
大動脈弁木の自動・半自動セグメンテーションのための計算手法を体系的に検討した。
論文 参考訳（メタデータ） (2021-08-06T08:18:28Z) - Automated Detection of Coronary Artery Stenosis in X-ray Angiography
using Deep Neural Networks [0.0]
X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。
左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
論文 参考訳（メタデータ） (2021-03-04T11:45:54Z) - Automated Deep Learning Analysis of Angiography Video Sequences for
Coronary Artery Disease [4.233200689119682]
冠状動脈閉塞(狭窄)の評価は、現在、医師による冠動脈造影ビデオシーケンスの視覚的評価によって行われている。
深層学習に基づく自動解析パイプラインを報告し,冠動脈血管造影を迅速かつ客観的に評価する。
我々は、ResNetやU-Netといった強力なディープラーニングアプローチと、従来の画像処理と幾何解析を組み合わせた。
論文 参考訳（メタデータ） (2021-01-29T10:23:49Z) - DcardNet: Diabetic Retinopathy Classification at Multiple Levels Based
on Structural and Angiographic Optical Coherence Tomography [1.9262162668141078]
糖尿病網膜症(DR)分類の枠組みを満たすために,畳み込みニューラルネットワーク(CNN)に基づく手法を提案する。
DR分類のために、適応レートドロップアウト(DcardNet)を備えた高密度かつ連続的に接続されたニューラルネットワークを設計する。
国際臨床糖尿病網膜症尺度に基づいて3つの分類レベルを作成した。
論文 参考訳（メタデータ） (2020-06-09T19:44:10Z) - Automated quantification of myocardial tissue characteristics from
native T1 mapping using neural networks with Bayesian inference for
uncertainty-based quality-control [6.415553085941694]
本研究では,確率的階層型MOLLIネットワークを用いたT1マッピングから組織を自動解析するフレームワークを提案する。
PHiSegネットワークとQCは、健康な被験者と慢性心筋症患者を含む英国バイオバンクのコホートで手動で解析された。
論文 参考訳（メタデータ） (2020-01-31T08:51:33Z)
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。