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
- A Comprehensive 3-D Framework for Automatic Quantification of Late
Gadolinium Enhanced Cardiac Magnetic Resonance Images [5.947543669357994]
後期ガドリニウム増強(LGE)心筋磁気共鳴(CMR)は、高強度の非生存性心筋を直接可視化することができる。
心臓発作患者に対しては,LGE CMR画像の解析と定量化により適切な治療の決定を容易にすることが重要である。
正確な定量化を実現するためには、LGE CMR画像は心筋の分画と梗塞の分類の2つのステップで処理する必要がある。
論文 参考訳（メタデータ） (2022-05-21T11:54:39Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated
Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。
FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。
2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-03T14:06:03Z) - Neglectable effect of brain MRI data prepreprocessing for tumor
segmentation [55.51261784032216]
我々は,TCIA-GBMオープンソースデータセットを用いたマルチモーダルMRI脳がん画像セグメント化に関する総合的研究を報告する。
その結果、最も一般的な標準化手順は、ニューラルネットワークの性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z) - Image-based Stroke Assessment for Multi-site Preclinical Evaluation of
Cerebroprotectants [0.4310985013483366]
SPAN(Stroke Prelinical Assessment Network)のための画像ベースストローク結果定量化のためのパイプラインを開発し,評価し,展開した。
私たちの完全に自動化されたパイプラインは、最先端のアルゴリズムとデータ分析のアプローチを組み合わせて、脳卒中の結果を評価する。
画像ベース脳卒中評価の有用性とロバスト性について検討した。
論文 参考訳（メタデータ） (2022-03-11T01:53:30Z) - 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) - Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical
Image Segmentation [92.9634065964963]
我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。
現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
論文 参考訳（メタデータ） (2021-10-17T08:49:33Z) - 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) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z)
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。