論文の概要: Neural Network-derived perfusion maps: a Model-free approach to computed
tomography perfusion in patients with acute ischemic stroke
- arxiv url: http://arxiv.org/abs/2101.05992v1
- Date: Fri, 15 Jan 2021 07:11:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 11:15:27.140868
- Title: Neural Network-derived perfusion maps: a Model-free approach to computed
tomography perfusion in patients with acute ischemic stroke
- Title（参考訳）: 急性虚血性脳梗塞患者におけるCT灌流のモデル無しアプローチ
- Authors: Umberto A. Gava, Federico D'Agata, Enzo Tartaglione, Marco Grangetto,
Francesca Bertolino, Ambra Santonocito, Edwin Bennink, Mauro Bergui
- Abstract要約: 畳み込みニューラルネットワーク(CNN)はCT灌流データから臨床的に関連するパラメトリックマップを生成することができる。
cnnベースのアプローチは,最先端の灌流解析法に匹敵する臨床関連灌流マップを作成した。
- 参考スコア（独自算出の注目度）: 4.925222726301579
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: In this study we investigate whether a Convolutional Neural Network
(CNN) can generate clinically relevant parametric maps from CT perfusion data
in a clinical setting of patients with acute ischemic stroke. Methods: Training
of the CNN was done on a subset of 100 perfusion data, while 15 samples were
used as validation. All the data used for the training/validation of the
network and to generate ground truth (GT) maps, using a state-of-the-art
deconvolution-algorithm, were previously pre-processed using a standard
pipeline. Validation was carried out through manual segmentation of infarct
core and penumbra on both CNN-derived maps and GT maps. Concordance among
segmented lesions was assessed using the Dice and the Pearson correlation
coefficients across lesion volumes. Results: Mean Dice scores from two
different raters and the GT maps were > 0.70 (good-matching). Inter-rater
concordance was also high and strong correlation was found between lesion
volumes of CNN maps and GT maps (0.99, 0.98). Conclusion: Our CNN-based
approach generated clinically relevant perfusion maps that are comparable to
state-of-the-art perfusion analysis methods based on deconvolution of the data.
Moreover, the proposed technique requires less information to estimate the
ischemic core and thus might allow the development of novel perfusion protocols
with lower radiation dose.
- Abstract（参考訳）: 目的: 急性期脳梗塞患者におけるCT灌流データから, 畳み込みニューラルネットワーク(CNN)が臨床的に関連性のあるパラメトリックマップを作成できるかどうかを検討する。
方法: CNNのトレーニングは100の灌流データのサブセットで行われ、15のサンプルがバリデーションとして使用された。
ネットワークのトレーニング/バリデーションと、最先端のデコンボリューションアルゴリズムを使用して、地上の真実(GT)マップを生成するために使用されるすべてのデータは、以前は標準パイプラインを使用して前処理されていた。
検証はcnnマップとgtマップの両方で梗塞コアと陰茎の手動セグメンテーションによって行われた。
病変量間でのDiceとPearson相関係数を用いて,部分的病変の一致を評価した。
結果: 2 つの異なるレートラーと gt マップの平均サイススコアは 0.70 以上 (良い一致) であった。
また,CNNマップの病変量とGTマップ(0.99,0.98)との間に強い相関が認められた。
結論:cnnに基づくアプローチは,データのデコンボリューションに基づく最先端のパーフュージョン解析法に匹敵する臨床関連パーフュージョンマップを作成した。
さらに,本手法では虚血コアを推定するための情報が少ないため,放射線線量が少ない新しい灌流プロトコルの開発が可能である可能性がある。
関連論文リスト
- Image2Flow: A hybrid image and graph convolutional neural network for
rapid patient-specific pulmonary artery segmentation and CFD flow field
calculation from 3D cardiac MRI data [0.0]
この研究では、パブリックデータセットとプライベートデータセットの両方から135個の3D心筋MRIを使用した。
Image2Flowは、ハイブリッド画像とグラフ畳み込みニューラルネットワークで、肺動脈テンプレートを患者固有の解剖学とCFD値に変換するために訓練された。
論文 参考訳（メタデータ） (2024-02-28T11:01:14Z) - Few-shot learning for COVID-19 Chest X-Ray Classification with
Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。
データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。
本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
論文 参考訳（メタデータ） (2024-01-18T16:59:27Z) - 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) - Analysis of a Deep Learning Model for 12-Lead ECG Classification Reveals
Learned Features Similar to Diagnostic Criteria [1.055404869921767]
12誘導心電図分類のための訓練済みディープニューラルネットワーク(DNN)に属性法を適用した。
我々は、公開データセットからデータを分類し、帰属法は、分類された各信号のサンプルに「関連スコア」を割り当てる。
論文 参考訳（メタデータ） (2022-11-03T12:07:00Z) - UniToBrain dataset: a Brain Perfusion Dataset [2.02258267891574]
では、UniToBrainを紹介します。
本稿では,画像処理と深層学習モデル開発のために,欧州のECVLとEDDLを用いたニューラルネットワークに基づく新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-01T07:16:02Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - 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) - 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) - ARPM-net: A novel CNN-based adversarial method with Markov Random Field
enhancement for prostate and organs at risk segmentation in pelvic CT images [10.011212599949541]
本研究は,CT画像の多臓器セマンティックセマンティックセグメンテーションを改善するために,新しいCNNに基づく対角深層学習法を開発することを目的とする。
MRF(Markov Random Field)拡張ネットワーク (ARPM-net) は, 対向学習方式を実装している。
モデル輪郭の精度はDice similarity coefficient (DSC), Average Hausdorff Distance (AHD), Average Surface Hausdorff Distance (ASHD), relative Volume difference (VD) を用いて測定した。
論文 参考訳（メタデータ） (2020-08-11T02:40:53Z) - Collaborative Boundary-aware Context Encoding Networks for Error Map
Prediction [65.44752447868626]
本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。
具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。
AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
論文 参考訳（メタデータ） (2020-06-25T12:42:01Z)
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。