論文の概要: Automatic Myocardial Infarction Evaluation from Delayed-Enhancement
Cardiac MRI using Deep Convolutional Networks
- arxiv url: http://arxiv.org/abs/2010.16198v1
- Date: Fri, 30 Oct 2020 11:18:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 17:10:18.315468
- Title: Automatic Myocardial Infarction Evaluation from Delayed-Enhancement
Cardiac MRI using Deep Convolutional Networks
- Title（参考訳）: 深層畳み込みネットワークを用いた遅延心筋mriによる心筋梗塞自動評価
- Authors: Kibrom Berihu Girum, Youssef Skandarani, Raabid Hussain, Alexis Bozorg
Grayeli, Gilles Cr\'ehange, Alain Lalande
- Abstract要約: 臨床情報と遅延造影MRI(DE-MRI)による心筋梗塞自動評価のための新しいディープラーニングフレームワークを提案する。
2つのセグメンテーションニューラルネットワークを用いており、第1のネットワークは心筋や左室腔などの解剖学的構造をセグメンテーションするために使用される。
第2の課題は、ある症例をD-MRIの有無にかかわらず、臨床情報から正常または病理学的に自動的に分類することである。
- 参考スコア（独自算出の注目度）: 8.544381926074971
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a new deep learning framework for an automatic
myocardial infarction evaluation from clinical information and delayed
enhancement-MRI (DE-MRI). The proposed framework addresses two tasks. The first
task is automatic detection of myocardial contours, the infarcted area, the
no-reflow area, and the left ventricular cavity from a short-axis DE-MRI
series. It employs two segmentation neural networks. The first network is used
to segment the anatomical structures such as the myocardium and left
ventricular cavity. The second network is used to segment the pathological
areas such as myocardial infarction, myocardial no-reflow, and normal
myocardial region. The segmented myocardium region from the first network is
further used to refine the second network's pathological segmentation results.
The second task is to automatically classify a given case into normal or
pathological from clinical information with or without DE-MRI. A cascaded
support vector machine (SVM) is employed to classify a given case from its
associated clinical information. The segmented pathological areas from DE-MRI
are also used for the classification task. We evaluated our method on the 2020
EMIDEC MICCAI challenge dataset. It yielded an average Dice index of 0.93 and
0.84, respectively, for the left ventricular cavity and the myocardium. The
classification from using only clinical information yielded 80% accuracy over
five-fold cross-validation. Using the DE-MRI, our method can classify the cases
with 93.3% accuracy. These experimental results reveal that the proposed method
can automatically evaluate the myocardial infarction.
- Abstract（参考訳）: 本稿では,臨床情報と遅延強調MRI(DE-MRI)による心筋梗塞自動評価のための新しいディープラーニングフレームワークを提案する。
提案するフレームワークは2つのタスクに対処する。
第1の課題は、短軸 de-mri シリーズからの心筋輪郭、梗塞領域、逆流領域、左室腔の自動検出である。
2つのセグメンテーションニューラルネットワークを使用する。
第1のネットワークは、心筋や左室腔などの解剖学的構造を分断するために使用される。
第2のネットワークは、心筋梗塞、非リフロー、正常心筋領域などの病理領域を区分するために使用される。
第1ネットワークからのセグメンテーション心筋領域は、さらに第2ネットワークの病理学的セグメンテーション結果を洗練するために使用される。
第2の課題は、ある症例をD-MRIの有無にかかわらず、臨床情報から正常または病理学的に自動的に分類することである。
カスケード支援ベクターマシン(SVM)を使用して、その関連する臨床情報から所定の症例を分類する。
DE-MRIから分離した病理領域も分類作業に使用される。
本研究では,2020 EMIDEC MICCAIチャレンジデータセットを用いて評価を行った。
平均dice指数は0.93および0.84であり,左室腔および心筋は0。
臨床情報のみを用いた分類は,5倍のクロスバリデーションに対して80%の精度を示した。
DE-MRIを用いて93.3%の精度でケースを分類できる。
これらの実験結果から,提案手法は心筋梗塞を自動的に評価できることがわかった。
関連論文リスト
- Deep Learning for Multi-Level Detection and Localization of Myocardial Scars Based on Regional Strain Validated on Virtual Patients [0.14980193397844668]
我々は, 心筋疾患の基質をグローバル, 領域, セグメントレベルで予測するための単一の枠組みを提案する。
臨床標準ブルジー表現から多チャンネル2D画像への入力データの解剖学的意味の表現を提案する。
The Fully Convolutional Network (FCN) is trained to detect and localization myocardial scar from Regional left Venentricular (LV) strain pattern。
論文 参考訳（メタデータ） (2024-03-15T13:31:33Z) - Weakly-supervised Biomechanically-constrained CT/MRI Registration of the
Spine [72.85011943179894]
本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。
また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。
以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
論文 参考訳（メタデータ） (2022-05-16T10:59:55Z) - 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) - MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining
Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。
myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。
この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
論文 参考訳（メタデータ） (2022-01-10T06:37:23Z) - 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) - Deep Learning methods for automatic evaluation of delayed
enhancement-MRI. The results of the EMIDEC challenge [21.93792387878765]
EMIDECの課題は, 深層学習法が正常症例と病理症例とを区別できるかどうかを評価することである。
造影剤投与後, 正常MRI50例, 心筋梗塞100例に分けて検討した。
その結果,試験の自動分類は到達可能な課題であることが示唆された。
論文 参考訳（メタデータ） (2021-08-09T13:15:25Z) - Cascaded Framework for Automatic Evaluation of Myocardial Infarction
from Delayed-Enhancement Cardiac MRI [9.247774141419134]
まず、2D U-Netを使用して、左心室と心筋を含む心臓全体を分割します。
新しい2D U-Netを使用して、心臓全体のROIの屈折および無リフロー領域をセグメント化します。
本手法は,MICCAI 2020 EMIDECセグメンテーションタスクにおいて,Diceスコアが86.28%,62.24%,77.76%,心筋,非血流領域が77.76%,精度92%で第1位であった。
論文 参考訳（メタデータ） (2020-12-29T01:35:02Z) - Cascaded Convolutional Neural Network for Automatic Myocardial
Infarction Segmentation from Delayed-Enhancement Cardiac MRI [12.940103904327655]
心臓MRIによる自動心筋梗塞セグメンテーションのためのカスケード畳み込みニューラルネットワークを提案する。
本手法はmiccai 2020 emidec challengeデータセットで評価し, 心筋, 梗塞, 還流のない平均diceスコア 0.8786, 0.7124, 0.7851 をそれぞれ達成した。
論文 参考訳（メタデータ） (2020-12-28T07:41:10Z) - 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) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z)
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。