論文の概要: Combining unsupervised and supervised learning for predicting the final stroke lesion

• arxiv url: http://arxiv.org/abs/2101.00489v1
• Date: Sat, 2 Jan 2021 17:56:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-13 07:20:06.055507
• Title: Combining unsupervised and supervised learning for predicting the final stroke lesion
• Title（参考訳）: 病変予測のための教師なし学習と教師なし学習の併用
• Authors: Adriano Pinto, S\'ergio Pereira, Raphael Meier, Roland Wiest, Victor Alves, Mauricio Reyes, Carlos A.Silva
• Abstract要約: 90日後に最終脳卒中病変を予測するための完全自動深層学習法を提案する。 本研究の目的は、脳卒中の最終病変の位置と範囲を予測し、その予測に影響を与える脳血流動態を考慮に入れることである。
• 参考スコア（独自算出の注目度）: 2.587975592408692
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predicting the final ischaemic stroke lesion provides crucial information regarding the volume of salvageable hypoperfused tissue, which helps physicians in the difficult decision-making process of treatment planning and intervention. Treatment selection is influenced by clinical diagnosis, which requires delineating the stroke lesion, as well as characterising cerebral blood flow dynamics using neuroimaging acquisitions. Nonetheless, predicting the final stroke lesion is an intricate task, due to the variability in lesion size, shape, location and the underlying cerebral haemodynamic processes that occur after the ischaemic stroke takes place. Moreover, since elapsed time between stroke and treatment is related to the loss of brain tissue, assessing and predicting the final stroke lesion needs to be performed in a short period of time, which makes the task even more complex. Therefore, there is a need for automatic methods that predict the final stroke lesion and support physicians in the treatment decision process. We propose a fully automatic deep learning method based on unsupervised and supervised learning to predict the final stroke lesion after 90 days. Our aim is to predict the final stroke lesion location and extent, taking into account the underlying cerebral blood flow dynamics that can influence the prediction. To achieve this, we propose a two-branch Restricted Boltzmann Machine, which provides specialized data-driven features from different sets of standard parametric Magnetic Resonance Imaging maps. These data-driven feature maps are then combined with the parametric Magnetic Resonance Imaging maps, and fed to a Convolutional and Recurrent Neural Network architecture. We evaluated our proposal on the publicly available ISLES 2017 testing dataset, reaching a Dice score of 0.38, Hausdorff Distance of 29.21 mm, and Average Symmetric Surface Distance of 5.52 mm.
• Abstract（参考訳）: 最終的な虚血性脳卒中病変の予測は、救済可能な低灌流組織量に関する重要な情報を提供する。 治療選択は、脳卒中病変の診断と脳血流動態のニューロイメージングによる特徴付けを必要とする臨床診断の影響を受けている。 しかし, 虚血性脳卒中後に発生する病変の大きさ, 形状, 位置, 脳の血行動態の変動から, 最終脳梗塞の予測は複雑な作業である。 さらに、脳卒中から治療までの経過時間が脳組織の喪失と関連しているため、最終脳卒中病変の評価と予測を短時間で行う必要があるため、作業はさらに複雑になる。 そのため、最終脳卒中病変を予測し、治療決定過程において医師を支援する自動的な方法が必要となる。 90日後の最終脳卒中病変を予測するために,教師なしおよび教師なし学習に基づく完全自動深層学習法を提案する。 本研究の目的は、脳卒中の最終病変の位置と範囲を予測し、その予測に影響を与える脳血流動態を考慮に入れることである。 そこで本研究では,標準パラメトリック磁気共鳴イメージングマップの異なるセットから,特殊なデータ駆動機能を備えた2分岐制限ボルツマンマシンを提案する。 これらのデータ駆動型特徴マップは、パラメトリック磁気共鳴イメージングマップと結合され、畳み込みおよびリカレントニューラルネットワークアーキテクチャに供給される。 公に入手可能なisles 2017テストデータセットについて評価を行い、サイススコア0.38、ハウスドルフ距離29.21mm、平均対称表面距離5.52mmとした。

関連論文リスト

• ISLES'24: Improving final infarct prediction in ischemic stroke using multimodal imaging and clinical data [3.2816454618159008]
  本研究はISLES'24課題であり, 術前急性期脳梗塞画像と臨床データから最終治療後の脳梗塞予測に対処するものである。 本研究の貢献は2つある: まず, ISLES'24チャレンジを通じて最終脳梗塞セグメンテーションアルゴリズムの標準化ベンチマークを導入する; 次に, マルチモーダルイメージングと臨床データ戦略を用いた梗塞セグメンテーションに関する洞察を提供する。
  論文  参考訳（メタデータ） (2024-08-20T16:01:05Z)
• Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions [0.0]
  3次元磁気共鳴(MR)画像からの脳卒中病変の手動分割は、現在の金標準である。 転写学習(TL)と混合データアプローチを用いて訓練した8種類の2次元モデルアーキテクチャを用いて,脳卒中病変の完全自動セグメンテーション手法の実装と試験を行った。 クロスバリデーションの結果,新しい手法は,地中真実と比較して高速かつ高精度に病変を分割できることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T17:42:30Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• ISLES 2022: A multi-center magnetic resonance imaging stroke lesion segmentation dataset [36.278933802685316]
  このデータセットは、脳卒中病変の大きさ、量、位置の多様性が高い400のマルチベンダーMRI症例からなる。 n=250のトレーニングデータセットとn=150のテストデータセットに分けられる。 テストデータセットはモデル検証のみに使用され、一般にはリリースされない。
  論文  参考訳（メタデータ） (2022-06-14T08:54:40Z)
• Weakly-supervised Biomechanically-constrained CT/MRI Registration of the Spine [72.85011943179894]
  本稿では,各脊椎の剛性と容積を保存し,登録精度を最大化しながら,弱教師付き深層学習フレームワークを提案する。 また,CTにおける椎体自動分節化はMRIと対比してより正確な結果をもたらすため,CTラベルマップのみに依存するよう,これらの損失を特に設計する。 以上の結果から, 解剖学的認識による損失の増大は, 精度を維持しつつも, 推測変換の妥当性を高めることが示唆された。
  論文  参考訳（メタデータ） (2022-05-16T10:59:55Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Computational Image-based Stroke Assessment for Evaluation of Cerebroprotectants with Longitudinal and Multi-site Preclinical MRI [0.4460373311150658]
  SPAN(Stroke Preclinical 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)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• CNN Based Segmentation of Infarcted Regions in Acute Cerebral Stroke Patients From Computed Tomography Perfusion Imaging [2.1626699124055504]
  血栓溶解療法は脳損傷を軽減できるが、治療窓は狭い。 Computed To Perfusion Imagingは、脳卒中患者の一般的な一次評価ツールです。 完全自動化された4次元畳み込みニューラルネットワークに基づくセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2021-04-07T09:09:13Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)
• Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
  経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。 この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
  論文  参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。