論文の概要: Fully Automated Mitral Inflow Doppler Analysis Using Deep Learning
- arxiv url: http://arxiv.org/abs/2011.12429v1
- Date: Tue, 24 Nov 2020 22:27:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 13:04:15.122087
- Title: Fully Automated Mitral Inflow Doppler Analysis Using Deep Learning
- Title（参考訳）: ディープラーニングを用いた完全自動僧帽弁流入ドプラ解析
- Authors: Mohamed Y. Elwazir, Zeynettin Akkus, Didem Oguz, Jae K. Oh
- Abstract要約: エコー法で取得したMIドップラー画像のラベル付けに深層学習を利用する完全自動化ワークフローを提案する。
MIドップラー画像を含む24種類の画像クラスを予測するため,140例の5544画像に対して,様々な畳み込みニューラルネットワーク(CNN)モデルを訓練した。
- 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: Echocardiography (echo) is an indispensable tool in a cardiologist's
diagnostic armamentarium. To date, almost all echocardiographic parameters
require time-consuming manual labeling and measurements by an experienced
echocardiographer and exhibit significant variability, owing to the noisy and
artifact-laden nature of echo images. For example, mitral inflow (MI) Doppler
is used to assess left ventricular (LV) diastolic function, which is of
paramount clinical importance to distinguish between different cardiac
diseases. In the current work we present a fully automated workflow which
leverages deep learning to a) label MI Doppler images acquired in an echo
study, b) detect the envelope of MI Doppler signal, c) extract early and late
filing (E and A wave) flow velocities and E-wave deceleration time from the
envelope. We trained a variety of convolutional neural networks (CNN) models on
5544 images of 140 patients for predicting 24 image classes including MI
Doppler images and obtained overall accuracy of 0.97 on 1737 images of 40
patients. Automated E and A wave velocity showed excellent correlation (Pearson
R 0.99 and 0.98 respectively) and Bland Altman agreement (mean difference 0.06
and 0.05 m/s respectively and SD 0.03 for both) with the operator measurements.
Deceleration time also showed good but lower correlation (Pearson R 0.82) and
Bland-Altman agreement (mean difference: 34.1ms, SD: 30.9ms). These results
demonstrate feasibility of Doppler echocardiography measurement automation and
the promise of a fully automated echocardiography measurement package.
- Abstract（参考訳）: 心エコー図(echo)は、心科医の心電図診断に欠かせないツールである。
今日に至るまで、ほぼ全ての心エコーパラメーターは、経験豊富な心エコー計による時間を要する手動ラベリングと測定を必要とし、エコー画像のノイズとアーティファクトに富んだ性質のため、重要な変動を示す。
例えば、僧帽弁流入ドプラ(mitral inflow, mi)は左室拡張機能の評価に用いられ、異なる心臓疾患の鑑別において臨床的に重要である。
現在の作業では、ディープラーニングを活用した完全に自動化されたワークフローを提示します。
a)エコー研究で取得したmiドップラー画像のラベル
b) MIドップラー信号のエンベロープを検出する。
c) 封筒から早期及び後期の流速(E及びA波)及びE波減速時間を抽出する。
MIドップラー画像を含む24種類の画像クラスを予測するために,140例の5544画像を用いた様々な畳み込みニューラルネットワーク(CNN)モデルを訓練し,40例の1737画像に対する0.97の総合的精度を得た。
自動化されたe波と波速は、オペレーターの測定値と良好な相関関係(pearson r 0.99 と 0.98)とbland altman agreement(それぞれ 0.06 と 0.05 m/s の差)を示した。
減速時間も良いが低い相関(ピアソン r 0.82)とbland-altman合意(平均差: 34.1ms、sd: 30.9ms)を示した。
これらの結果から,ドプラ心エコー計測の自動化と完全自動心エコー計測パッケージの実現可能性が確認された。
関連論文リスト
- Model-driven Heart Rate Estimation and Heart Murmur Detection based on Phonocardiogram [4.5546756241897235]
本研究は, 心電図(PCG)データセットを用いて心拍数を推定する。
マルチタスク学習フレームワークにベストパフォーマンスモデルを拡張し、心拍数推定と大腿骨骨折検出を同時に行う。
論文 参考訳（メタデータ） (2024-07-25T22:56:21Z) - Machine Learning-based Estimation of Respiratory Fluctuations in a Healthy Adult Population using BOLD fMRI and Head Motion Parameters [39.96015789655091]
多くのfMRI研究では、呼吸信号が欠如しているか、品質が悪いことがしばしばある。
周辺記録装置を必要とせずに、fMRIデータから直接呼吸変動(RV)波形を抽出するツールを持つことは、非常に有益である。
本研究では,頭部運動パラメータとBOLD信号を用いたRV波形再構成のためのCNNモデルを提案する。
論文 参考訳（メタデータ） (2024-04-30T21:53:11Z) - M(otion)-mode Based Prediction of Ejection Fraction using
Echocardiograms [13.112371567924802]
心エコー図のM(otion)モードを用いて左室流出率(EF)を推定し,心筋症を分類する。
心エコー図から複数の人工Mモード画像を生成し,既製のモデルアーキテクチャを用いて組み合わせる。
実験の結果,教師付き設定は10モードで収束し,ベースライン法に匹敵することがわかった。
論文 参考訳（メタデータ） (2023-09-07T15:00:58Z) - Motion Magnification in Robotic Sonography: Enabling Pulsation-Aware
Artery Segmentation [44.868281669589194]
スキャン中の動脈セグメンテーションの精度と安定性を改善するために,新しい脈動補助セグメンテーションニューラルネットワーク(PAS-NN)を提案する。
興味のある周波数帯域内の微妙な動きを増幅し、連続したUS画像から脈動信号を抽出するために、運動倍率技術を用いる。
抽出したリアルタイム脈動情報は、米国横断画像の動脈を見つけるのに役立つ。
論文 参考訳（メタデータ） (2023-07-07T16:14:17Z) - DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler
Signal [48.97719097435527]
DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。
動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
論文 参考訳（メタデータ） (2023-05-15T18:19:29Z) - Investigating Pulse-Echo Sound Speed Estimation in Breast Ultrasound
with Deep Learning [44.70495434283752]
In-phase および quadrature の超音波信号から音速を推定する深層学習手法を提案する。
準現実性乳房組織を生成する大規模超音波データセットを開発した。
シミュレーション,ファントム,乳房内超音波データを用いたモデルの評価を行った。
論文 参考訳（メタデータ） (2023-02-06T19:02:44Z) - Label-free segmentation from cardiac ultrasound using self-supervised
learning [0.6906005491572401]
コンピュータビジョン,臨床領域知識,深層学習を用いた自己教師型(手動ラベルなし)セグメンテーションのためのパイプラインを構築した。
8,393枚の心エコー画像(4,476,266枚,平均61年,女性51%)を用いて,450枚の心エコー画像(93,000枚)をトレーニングし,生体計測値の算出を行った。
本研究は,超音波からのセグメンテーションのための手動ラベルフリー,臨床的に有効な,高度にスケーラブルな方法であることを示す。
論文 参考訳（メタデータ） (2022-10-10T19:27:37Z) - Fully Automated 2D and 3D Convolutional Neural Networks Pipeline for
Video Segmentation and Myocardial Infarction Detection in Echocardiography [7.378083964709321]
畳み込みニューラルネットワーク(CNN)に基づく,革新的なリアルタイムエンドツーエンドフルオートマチックモデルを提案する。
A4C(Apical 4-chamber)ビューからLVチャンバーをセグメント化してデータ前処理を行う2次元CNNと、セグメント化された心エコー図がMIの兆候を示すかどうかを検出するバイナリ分類を行う3次元CNNからなるパイプラインとして実装しています。
論文 参考訳（メタデータ） (2021-03-26T21:03:33Z) - Spatio-temporal Multi-task Learning for Cardiac MRI Left Ventricle
Quantification [6.887389908965403]
心左心室(LV)形態の完全な測定セットを得るための学習時型マルチタスクアプローチを提案します。
まず,エンコーダデコーダネットワークを用いてLVを分割し,11のLV指標を回帰し,心相を分類する枠組みを導入する。
提案モデルは,mr画像から空間的特徴と特徴を抽出する3次元時空間畳み込みに基づく。
論文 参考訳（メタデータ） (2020-12-24T17:48:35Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳（メタデータ） (2020-11-17T16:15:49Z) - 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)
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。