Fugu-MT 論文翻訳(概要): Deep learning approach to left ventricular non-compaction measurement

論文の概要: Deep learning approach to left ventricular non-compaction measurement

arxiv url: http://arxiv.org/abs/2011.14773v1
Date: Mon, 30 Nov 2020 13:32:44 GMT
ステータス: 処理完了
システム内更新日: 2021-06-07 02:25:47.780142
Title: Deep learning approach to left ventricular non-compaction measurement
Title（参考訳）: 深部学習による左室非反応測定
Authors: Jes\'us M. Rodr\'iguez-de-Vera and Josefa Gonz\'alez-Carrillo and Jos\'e M. Garc\'ia and Gregorio Bernab\'e
Abstract要約: 左室非作用 (LVNC) は左室腔の異常な気管狭窄を特徴とする稀な心筋症である。本稿では,畳み込みニューラルネットワーク(CNN)を用いた最初のアプローチについて述べる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Left ventricular non-compaction (LVNC) is a rare cardiomyopathy characterized by abnormal trabeculations in the left ventricle cavity. Although traditional computer vision approaches exist for LVNC diagnosis, deep learning-based tools could not be found in the literature. In this paper, a first approach using convolutional neural networks (CNNs) is presented. Four CNNs are trained to automatically segment the compacted and trabecular areas of the left ventricle for a population of patients diagnosed with Hypertrophic cardiomyopathy. Inference results confirm that deep learning-based approaches can achieve excellent results in the diagnosis and measurement of LVNC. The two best CNNs (U-Net and Efficient U-Net B1) perform image segmentation in less than 0.2 s on a CPU and in less than 0.01 s on a GPU. Additionally, a subjective evaluation of the output images with the identified zones is performed by expert cardiologists, with a perfect visual agreement for all the slices, outperforming already existing automatic tools.
Abstract（参考訳）: 左室非作用 (LVNC) は左室腔の異常な気管狭窄を特徴とする稀な心筋症である。従来のコンピュータビジョンのアプローチはlvnc診断には存在するが、深層学習ベースのツールは文献には見出せない。本稿では,畳み込みニューラルネットワーク(CNN)を用いた最初のアプローチを提案する。肥大型心筋症(hypertrophic cardiomyopathy)と診断された患者の集団に対して,4つのcnnが左室のコンパクト領域とトラベクラー領域を自動的に分割するように訓練されている。推論結果は,LVNCの診断と測定において,深層学習に基づくアプローチが優れた結果が得られることを確認した。 2つの最高のCNN(U-NetとEfficient U-Net B1)は、CPUでは0.2秒未満、GPUでは0.01秒未満で画像分割を行う。さらに、特定ゾーンによる出力画像の主観評価は、専門家心臓医によって行われ、すべてのスライスに対して完全な視覚的合意が得られ、既存の自動ツールよりも優れている。

関連論文リスト

Expanding the deep-learning model to diagnosis LVNC: Limitations and trade-offs [0.0]
心室左室(LVNC)における過形成あるいは非作用は、近年の心筋症の一形態である。各種心筋症に対するDL-LVTQの適応と拡張を行った。
論文参考訳（メタデータ） (2023-11-23T11:01:35Z)
Semantic-aware Temporal Channel-wise Attention for Cardiac Function Assessment [69.02116920364311]
既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。提案手法は,0.22 MAE,0.26 RMSE,1.9%$R2$の改善により,スタンフォードデータセットの最先端性能を実現する。
論文参考訳（メタデータ） (2023-10-09T05:57:01Z)
SimLVSeg: Simplifying Left Ventricular Segmentation in 2D+Time Echocardiograms with Self- and Weakly-Supervised Learning [0.8672882547905405]
狭義の心エコービデオから一貫した左室(LV)セグメンテーションを行うビデオベースネットワークであるSimLVSegを開発した。 SimLVSegは、時間的マスキングによる自己教師付き事前トレーニングと、スパースアノテーションからのLVセグメンテーションに適した弱い教師付き学習で構成されている。我々は、SimLVSegが、最大の2D+時間心エコー画像データセットで93.32%のダイススコアを達成して、最先端のソリューションをいかに優れているかを実証する。
論文参考訳（メタデータ） (2023-09-30T18:13:41Z)
Light-weight spatio-temporal graphs for segmentation and ejection fraction prediction in cardiac ultrasound [5.597394612661975]
本研究では,左心室分画予測と左心室分画のためのEchoGraphsという自動手法を提案する。キーポイントの検出には、GCN(Graph Conal Networks)に基づく直接座標回帰モデルを用いる。セマンティックセグメンテーションと比較すると、GCNは正確なセグメンテーションと堅牢性と推論ランタイムの改善を示している。
論文参考訳（メタデータ） (2022-07-06T10:03:44Z)
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)
Real-Time Patient-Specific ECG Classification by 1D Self-Operational Neural Networks [24.226952040270564]
本稿では,ECG分類のための1D Self-organized Operational Neural Networks (1D Self-ONNs)を提案する。 1D Self-ONNは、演算子セットライブラリ内の前の演算子探索が完全に回避される従来のONNに比べて、最大の優位性と優位性を持つ。 MIT-BIH不整脈ベンチマークデータベースを用いた結果, 1D Self-ONN が 1D CNN をはるかに上回っていることがわかった。
論文参考訳（メタデータ） (2021-09-30T19:37:36Z)
Prediction of progressive lens performance from neural network simulations [62.997667081978825]
本研究の目的は,畳み込みニューラルネットワーク(CNN)に基づく視覚的視力(VA)予測の枠組みを提案することである。提案する総合シミュレーションツールは主観的視覚性能の正確なモデルとして機能することが示されている。
論文参考訳（メタデータ） (2021-03-19T14:51:02Z)
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)
Neural collaborative filtering for unsupervised mitral valve segmentation in echocardiography [60.08918310097638]
心エコービデオの低次元埋め込みに基づく僧帽弁断面積自動制御法を提案する。本法は, 各種僧帽弁疾患患者の心エコービデオと, 独立した検査コホートを用いて評価した。これは、低品質ビデオやスパースアノテーションの場合には、最先端のインハンサーとエンファンサーの手法より優れている。
論文参考訳（メタデータ） (2020-08-13T12:53:26Z)
Accurate and Efficient Intracranial Hemorrhage Detection and Subtype Classification in 3D CT Scans with Convolutional and Long Short-Term Memory Neural Networks [20.4701676109641]
RSNA頭蓋内出血検出のためのシステムについて紹介する。提案システムは,畳み込みニューラルネットワーク(CNN)を用いた軽量深層ニューラルネットワークアーキテクチャに基づいている。最終テストセットの重み付き平均ログ損失は0.04989で、合計1345名から上位30名(2%)にランクインした。
論文参考訳（メタデータ） (2020-08-01T17:28:25Z)
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。