論文の概要: Learning normal appearance for fetal anomaly screening: Application to the unsupervised detection of Hypoplastic Left Heart Syndrome

• arxiv url: http://arxiv.org/abs/2012.03679v2
• Date: Thu, 9 Sep 2021 21:12:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 07:40:56.218730
• Title: Learning normal appearance for fetal anomaly screening: Application to the unsupervised detection of Hypoplastic Left Heart Syndrome
• Title（参考訳）: 胎児異常スクリーニングにおける正常外観の学習--低形成左心症候群の教師なし検出への応用
• Authors: Elisa Chotzoglou, Thomas Day, Jeremy Tan, Jacqueline Matthew, David Lloyd, Reza Razavi, John Simpson, Bernhard Kainz
• Abstract要約: 先天性心疾患は先天異常の最も一般的なグループの一つで、新生児の6-11ドル/000ドルに影響を及ぼす。 本研究は,低形成性左心症候群(HLHS)例を対象に,超音波検診における心臓異常の自動検出のための枠組みを提案し,評価した。 臨床検査で確認された正常なコントロール患者のみから健康な解剖学を学習する教師なしのアプローチを提案する。
• 参考スコア（独自算出の注目度）: 3.349339674977796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Congenital heart disease is considered as one the most common groups of congenital malformations which affects $6-11$ per $1000$ newborns. In this work, an automated framework for detection of cardiac anomalies during ultrasound screening is proposed and evaluated on the example of Hypoplastic Left Heart Syndrome (HLHS), a sub-category of congenital heart disease. We propose an unsupervised approach that learns healthy anatomy exclusively from clinically confirmed normal control patients. We evaluate a number of known anomaly detection frameworks together with a model architecture based on the $\alpha$-GAN network and find evidence that the proposed model performs significantly better than the state-of-the-art in image-based anomaly detection, yielding average $0.81$ AUC \emph{and} a better robustness towards initialisation compared to previous works.
• Abstract（参考訳）: 先天性心疾患は、新生児の6-11ドル/000ドルに対して最も一般的な先天性奇形であると考えられている。 本研究は, 先天性心疾患のサブカテゴリである低形成性左心症候群(HLHS)の例を対象に, 超音波検診における心臓異常の自動検出フレームワークを提案し, 評価した。 臨床検査で確認された正常コントロール患者のみから健康解剖学を学習する教師なしアプローチを提案する。 我々は,いくつかの既知の異常検出フレームワークを,$\alpha$-ganネットワークに基づくモデルアーキテクチャとともに評価し,提案手法が画像に基づく異常検出の最先端技術よりも著しく優れた性能を示す証拠を見いだし,従来の手法と比較して平均$0.81$ auc \emph{and} が初期化に対する堅牢性が向上した。

関連論文リスト

• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• Detecting Heart Disease from Multi-View Ultrasound Images via Supervised Attention Multiple Instance Learning [5.201499435914216]
  大動脈狭窄症 (Aortic stenosis, AS) は変性弁の状態であり、かなりの死亡率と死亡率を引き起こす。 AS検出に対する従来のアプローチでは、画像間の非フレキシブル平均に依存するため、精度が不十分であった。 2つの重要な方法論的革新とともに、新しいエンドツーエンドのMILアプローチに貢献する。
  論文  参考訳（メタデータ） (2023-05-25T18:22:12Z)
• Ultrasound Detection of Subquadricipital Recess Distension [2.018671219453538]
  超音波検査は, 関節出血による関節凹部伸展の診断に有効である。 診断プロセスにおける実践者を支援するためのコンピュータ支援診断ツールは存在しない。 本稿では, 血友病患者に採取した膝関節超音波像において, 凹部を自動的に検出し, 違和感があるかどうかを判定する問題に対処する。
  論文  参考訳（メタデータ） (2022-11-22T08:40:03Z)
• Anomaly Detection in Echocardiograms with Dynamic Variational Trajectory Models [14.784158889077313]
  心エコービデオの新しい異常検出法を提案する。 心拍周期の周期的特性を利用して変動潜在軌道モデル(TVAE)の3つの変種を学習する。 これは、Ebstein's AnomalyやShone-complexのような重度の先天性心不全を確実に識別する。
  論文  参考訳（メタデータ） (2022-06-30T14:42:18Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• 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)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• Detecting Hypo-plastic Left Heart Syndrome in Fetal Ultrasound via Disease-specific Atlas Maps [18.37280146564769]
  低形成性左心症候群の自動診断のための解釈可能なアトラス・ラーニング・セグメンテーション法を提案する。 本稿では,最近導入された画像・空間トランスフォーマーネットワーク(Atlas-ISTN)を,感作アトラスの病原体生成を可能にするフレームワークに拡張することを提案する。
  論文  参考訳（メタデータ） (2021-07-06T14:31:19Z)
• Controlling False Positive/Negative Rates for Deep-Learning-Based Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
  そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。 1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
  論文  参考訳（メタデータ） (2021-06-04T09:51:27Z)
• ECGDetect: Detecting Ischemia via Deep Learning [0.0]
  RCE-ECG-Detectは、心筋虚血に伴うST変化における形態パターンを検出する機械学習モデルである。 我々のディープニューラルネットワークモデルは畳み込み層を備え、90.31%のROC-AUC、89.34%の感度、87.81%の特異性が得られる。
  論文  参考訳（メタデータ） (2020-09-28T11:57:26Z)
• Segmentation for Classification of Screening Pancreatic Neuroendocrine Tumors [72.65802386845002]
  本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。 我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。 我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
  論文  参考訳（メタデータ） (2020-04-04T21:21:44Z)

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。