論文の概要: AIFNet: Automatic Vascular Function Estimation for Perfusion Analysis Using Deep Learning

• arxiv url: http://arxiv.org/abs/2010.01617v1
• Date: Sun, 4 Oct 2020 16:14:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 04:08:34.753537
• Title: AIFNet: Automatic Vascular Function Estimation for Perfusion Analysis Using Deep Learning
• Title（参考訳）: AIFNet:ディープラーニングを用いた灌流解析のための血管機能自動推定
• Authors: Ezequiel de la Rosa, Diana M. Sima, Bjoern Menze, Jan S. Kirschke, David Robben
• Abstract要約: デコンボリューション法は、臨床的に解釈可能な灌流パラメータを得るために用いられる。 AIFNetは、血管機能を推定するための、完全自動でエンドツーエンドのトレーニング可能なディープラーニングアプローチである。 我々は、AIFNetは、臨床転移の可能性があり、脱畳ソフトウェアに組み込むことができると結論付けた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perfusion imaging is crucial in acute ischemic stroke for quantifying the salvageable penumbra and irreversibly damaged core lesions. As such, it helps clinicians to decide on the optimal reperfusion treatment. In perfusion CT imaging, deconvolution methods are used to obtain clinically interpretable perfusion parameters that allow identifying brain tissue abnormalities. Deconvolution methods require the selection of two reference vascular functions as inputs to the model: the arterial input function (AIF) and the venous output function, with the AIF as the most critical model input. When manually performed, the vascular function selection is time demanding, suffers from poor reproducibility and is subject to the professionals' experience. This leads to potentially unreliable quantification of the penumbra and core lesions and, hence, might harm the treatment decision process. In this work we automatize the perfusion analysis with AIFNet, a fully automatic and end-to-end trainable deep learning approach for estimating the vascular functions. Unlike previous methods using clustering or segmentation techniques to select vascular voxels, AIFNet is directly optimized at the vascular function estimation, which allows to better recognise the time-curve profiles. Validation on the public ISLES18 stroke database shows that AIFNet reaches inter-rater performance for the vascular function estimation and, subsequently, for the parameter maps and core lesion quantification obtained through deconvolution. We conclude that AIFNet has potential for clinical transfer and could be incorporated in perfusion deconvolution software.
• Abstract（参考訳）: 灌流造影は急性虚血性脳梗塞において重要であり,難治性陰茎および不可逆的損傷コア病変の定量化に有用である。 そのため、臨床医が最適な再灌流療法を決定するのに役立つ。 灌流CTイメージングでは、脳組織の異常を識別できる臨床的に解釈可能な灌流パラメータを得るためにデコンボリューション法が用いられる。 デコンボリューション法では、動脈入力関数 (AIF) と静脈出力関数 (venous output function) の2つの参照血管機能をモデルへの入力として選択する必要がある。 手動で行う場合、血管機能の選択は時間を要するものであり、再現性に乏しく、専門家の経験を要する。 これは、ペナムブラとコア病変の潜在的に信頼性の低い定量化につながるため、治療決定プロセスに害を与える可能性がある。 本研究では,完全自動訓練型ディープラーニングアプローチであるaifnetを用いて血流解析を自動化し,血管機能を推定する。 クラスタリングやセグメンテーションを使って血管のボクセルを選択する従来の方法とは異なり、AIFNetは血管機能推定に直接最適化されており、時間曲線プロファイルをよりよく認識することができる。 The public ISLES18 stroke databaseの検証により、AIFNetは血管機能推定とその後にデコンボリューションによって得られたパラメータマップとコア病変定量化のために、レイター間性能に達することが示されている。 我々は,AIFNetは臨床転移の可能性があり,灌流脱畳ソフトウェアに組み込むことができると結論付けた。

関連論文リスト

• KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
  カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。 我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。 提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
  論文  参考訳（メタデータ） (2024-10-28T16:00:42Z)
• KLDD: Kalman Filter based Linear Deformable Diffusion Model in Retinal Image Segmentation [51.03868117057726]
  本稿では,網膜血管分割のためのKLDDモデルを提案する。 我々のモデルは、変形可能な畳み込みの柔軟な受容場を利用して、分割を反復的に洗練する拡散過程を用いる。 実験は網膜基底画像データセット(DRIVE,CHASE_DB1)とOCTA-500データセットの3mm,6mmで評価された。
  論文  参考訳（メタデータ） (2024-09-19T14:21:38Z)
• Detection of the Arterial Input Function Using DSC-MRI Data [0.0]
  動脈入力関数の正確な検出は、灌流血行動態パラメーターを得るための重要なステップである。 動脈入力関数検出の信頼性を向上させるために,いくつかの手法が提案されている。 半自動および完全自動入力関数検出に最もよく用いられる手法について概説する。
  論文  参考訳（メタデータ） (2023-03-04T22:30:38Z)
• Explainable Artificial Intelligence in Retinal Imaging for the detection of Systemic Diseases [0.0]
  本研究では,Deep Convolutional Neural Networks(CNN)を直接使用せずに,説明可能な段階的な段階付けプロセスを評価することを目的とする。 我々は,眼底画像の網膜血管評価を行うクリニアン・イン・ザ・ループ支援インテリジェントワークフローを提案する。 半自動的な方法論は、臨床医からのより多くのインプットと解釈を持つ医療アプリケーションにおいて、AIに対する連合的なアプローチを持つことを目的としている。
  論文  参考訳（メタデータ） (2022-12-14T07:00:31Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• VAFO-Loss: VAscular Feature Optimised Loss Function for Retinal Artery/Vein Segmentation [7.670940374203646]
  血管密度とフラクタル次元の2つの共通血管的特徴は,分節内誤分類に敏感である。 標準セグメンテーションネットワークにエンド・ツー・エンドのVAFO-Lossを組み込むことで血管機能推定が向上することを示す。 また,機能最適化損失VAFO-Lossに偏りがあるにもかかわらず,セグメンテーションの統計学的に有意な改善が見られたことも技術的に興味深いことを報告した。
  論文  参考訳（メタデータ） (2022-03-12T12:40:20Z)
• 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)
• Differentiable Deconvolution for Improved Stroke Perfusion Analysis [0.0]
  動脈入力機能(AIF)は、それが選択されるべき方法と場所はまだ議論の余地があります。 最大コア病変分割性能に最適化されたAIF選択手法を提案する。 提案手法は,手動のアノテーションを使わずにAIFを生成することができ,したがって手動レーダの影響を回避できることを示す。
  論文  参考訳（メタデータ） (2021-03-31T14:29:36Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。