論文の概要: Evaluation of deep learning-based myocardial infarction quantification
using Segment CMR software
- arxiv url: http://arxiv.org/abs/2012.09070v1
- Date: Wed, 16 Dec 2020 16:49:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 10:10:58.715278
- Title: Evaluation of deep learning-based myocardial infarction quantification
using Segment CMR software
- Title（参考訳）: Segment CMR ソフトウェアを用いたディープラーニングによる心筋梗塞定量化の検討
- Authors: Olivier Rukundo
- Abstract要約: 本研究は,Segment Cardiovascular magnetic resonance (CMR) ソフトウェアにおける深部学習を用いて,心筋梗塞 (MI) の大きさの定量化の自動化に関する予備研究である。
MIの大きさを実験的に評価したところ, ネットワークを用いた結果の50%以上(平均梗塞傷量), 75%以上(平均梗塞量), 65%(平均微小血管閉塞率)は, 専門的記述に基づく結果とほぼ一致していた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, the author evaluates the preliminary work related to
automating the quantification of the size of the myocardial infarction (MI)
using deep learning in Segment cardiovascular magnetic resonance (CMR)
software. Here, deep learning is used to automate the segmentation of
myocardial boundaries before triggering the automatic quantification of the
size of the MI using the expectation-maximization, weighted intensity, a priori
information (EWA) algorithm incorporated in the Segment CMR software.
Experimental evaluation of the size of the MI shows that more than 50 %
(average infarct scar volume), 75% (average infarct scar percentage), and 65 %
(average microvascular obstruction percentage) of the network-based results are
approximately very close to the expert delineation-based results. Also, in an
experiment involving the visualization of myocardial and infarct contours, in
all images of the selected stack, the network and expert-based results tie in
terms of the number of infarcted and contoured images.
- Abstract（参考訳）: 本稿では,Segment Cardiovascular magnetic resonance(CMR)ソフトウェアにおける深部学習を用いて,心筋梗塞(MI)の大きさの定量化の自動化に関する予備的作業を評価する。
ここでは, 予測最大化, 重み付け強度, セグメントcmrソフトウェアに組み込まれた事前情報 (ewa) アルゴリズムを用いて, mi サイズの自動定量化を行う前に, 深層学習を用いて心筋境界のセグメント化を自動化する。
MIの大きさを実験的に評価したところ, ネットワークを用いた結果の50%以上(平均梗塞傷量), 75%以上(平均梗塞量), 65%(平均微小血管閉塞率)は, 専門的記述に基づく結果とほぼ一致していた。
また、心筋輪郭と梗塞輪郭の可視化を含む実験では、選択されたスタックの全画像において、ネットワークと専門家による結果が、梗塞および梗塞輪郭の個数で関連付けられる。
関連論文リスト
- CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Ensemble Learning of Myocardial Displacements for Myocardial Infarction
Detection in Echocardiography [15.153823114115307]
心筋梗塞の早期発見と局所化は、心臓損傷の重症度を低下させる可能性がある。
深層学習技術は心エコー画像におけるMI検出の可能性を示唆している。
本研究は,複数のセグメンテーションモデルの特徴を組み合わせ,MI分類性能を向上させるロバストな手法を提案する。
論文 参考訳（メタデータ） (2023-03-12T20:16:14Z) - AWSnet: An Auto-weighted Supervision Attention Network for Myocardial
Scar and Edema Segmentation in Multi-sequence Cardiac Magnetic Resonance
Images [23.212429566838203]
マルチシーケンスCMRデータから傷痕と浮腫のセグメンテーションに取り組むための,新しい自動重み付け監視フレームワークを開発した。
また, より小さな心筋病変領域の分画を, 形状の事前知識で促進する, 粗大から細大の枠組みを設計した。
マルチシーケンスCMRデータを用いた心筋病理診断の進歩に期待できる。
論文 参考訳（メタデータ） (2022-01-14T08:59:54Z) - 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) - 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 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) - Automatic Myocardial Infarction Evaluation from Delayed-Enhancement
Cardiac MRI using Deep Convolutional Networks [8.544381926074971]
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。
論文 参考訳（メタデータ） (2020-10-30T11:18:25Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳（メタデータ） (2020-07-16T17:43:13Z) - 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。