論文の概要: A new approach to extracting coronary arteries and detecting stenosis in
invasive coronary angiograms
- arxiv url: http://arxiv.org/abs/2101.09848v1
- Date: Mon, 25 Jan 2021 01:48:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-14 19:14:31.830180
- Title: A new approach to extracting coronary arteries and detecting stenosis in
invasive coronary angiograms
- Title（参考訳）: 冠動脈造影検査における新しい冠動脈抽出法と狭窄検出法
- Authors: Chen Zhao, Haipeng Tang, Daniel McGonigle, Zhuo He, Chaoyang Zhang,
Yu-Ping Wang, Hong-Wen Deng, Robert Bober, Weihua Zhou
- Abstract要約: 我々は,ICAから冠状動脈を抽出する深層学習による自動アルゴリズムの開発を目指している。
本研究では, マルチインプットとマルチスケール(MIMS)のU-Netを2段階の繰り返し訓練戦略として提案した。
実験の結果,提案手法は平均diceスコア 0.8329, 平均感度 0.8281, 平均特異度 0.9979 となり, 73例から294 icasを得た。
- 参考スコア（独自算出の注目度）: 9.733630514873376
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In stable coronary artery disease (CAD), reduction in mortality and/or
myocardial infarction with revascularization over medical therapy has not been
reliably achieved. Coronary arteries are usually extracted to perform stenosis
detection. We aim to develop an automatic algorithm by deep learning to extract
coronary arteries from ICAs.In this study, a multi-input and multi-scale (MIMS)
U-Net with a two-stage recurrent training strategy was proposed for the
automatic vessel segmentation. Incorporating features such as the Inception
residual module with depth-wise separable convolutional layers, the proposed
model generated a refined prediction map with the following two training
stages: (i) Stage I coarsely segmented the major coronary arteries from
pre-processed single-channel ICAs and generated the probability map of vessels;
(ii) during the Stage II, a three-channel image consisting of the original
preprocessed image, a generated probability map, and an edge-enhanced image
generated from the preprocessed image was fed to the proposed MIMS U-Net to
produce the final segmentation probability map. During the training stage, the
probability maps were iteratively and recurrently updated by feeding into the
neural network. After segmentation, an arterial stenosis detection algorithm
was developed to extract vascular centerlines and calculate arterial diameters
to evaluate stenotic level. Experimental results demonstrated that the proposed
method achieved an average Dice score of 0.8329, an average sensitivity of
0.8281, and an average specificity of 0.9979 in our dataset with 294 ICAs
obtained from 73 patient. Moreover, our stenosis detection algorithm achieved a
true positive rate of 0.6668 and a positive predictive value of 0.7043.
- Abstract（参考訳）: 安定した冠動脈疾患 (CAD) では, 医療療法による再血行再建による死亡・心筋梗塞の減少は確実ではない。
冠動脈は通常、狭窄を検出するために抽出される。
本研究では,ICAから冠状動脈を抽出する深層学習による自動アルゴリズムの開発を目標とし,自動血管分割のための2段階反復トレーニング戦略を備えたマルチインプット・マルチスケールU-Netを提案する。
Incorporating features such as the Inception residual module with depth-wise separable convolutional layers, the proposed model generated a refined prediction map with the following two training stages: (i) Stage I coarsely segmented the major coronary arteries from pre-processed single-channel ICAs and generated the probability map of vessels; (ii) during the Stage II, a three-channel image consisting of the original preprocessed image, a generated probability map, and an edge-enhanced image generated from the preprocessed image was fed to the proposed MIMS U-Net to produce the final segmentation probability map.
トレーニング段階では、確率マップは反復的に更新され、ニューラルネットワークに供給される。
分節後,血管中心を抽出し,動脈径を算出し,狭窄度を評価するため,動脈狭窄検出アルゴリズムを開発した。
実験の結果,提案手法は平均diceスコア 0.8329, 平均感度 0.8281, 平均特異度 0.9979 となり, 73例から294 icasを得た。
また, 狭窄検出アルゴリズムは0.6668で, 正の予測値は0.7043であった。
関連論文リスト
- Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。
本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。
そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
論文 参考訳（メタデータ） (2024-10-18T12:37:51Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - 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) - Stratification of carotid atheromatous plaque using interpretable deep
learning methods on B-mode ultrasound images [1.1254693939127909]
頸動脈硬化は虚血性脳卒中の主要な原因であり、毎年死亡率と障害率が高い。
本稿では,頸動脈動脈プラークのリスク評価と成層化のための,頸動脈超音波画像の解釈可能な分類手法を提案する。
論文 参考訳（メタデータ） (2022-02-04T23:10:24Z) - 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) - CathAI: Fully Automated Interpretation of Coronary Angiograms Using
Neural Networks [9.963333753481514]
冠動脈狭窄を推定する完全自動血管造影法が深部神経回路アルゴリズムを用いて初めて可能であることを示す。
私たちが開発したアルゴリズムパイプライン、すなわちCathAIは、選択されていない現実世界のアンジオグラムの自動解釈を実現するために必要な一連のタスクにまたがって、最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2021-06-14T18:58:09Z) - Automated Detection of Coronary Artery Stenosis in X-ray Angiography
using Deep Neural Networks [0.0]
X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。
左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
論文 参考訳（メタデータ） (2021-03-04T11:45:54Z) - Automated Deep Learning Analysis of Angiography Video Sequences for
Coronary Artery Disease [4.233200689119682]
冠状動脈閉塞(狭窄)の評価は、現在、医師による冠動脈造影ビデオシーケンスの視覚的評価によって行われている。
深層学習に基づく自動解析パイプラインを報告し,冠動脈血管造影を迅速かつ客観的に評価する。
我々は、ResNetやU-Netといった強力なディープラーニングアプローチと、従来の画像処理と幾何解析を組み合わせた。
論文 参考訳（メタデータ） (2021-01-29T10:23:49Z) - Multi-Resolution 3D Convolutional Neural Networks for Automatic Coronary
Centerline Extraction in Cardiac CT Angiography Scans [3.3774970857450084]
本稿では,Wolterink による血管トラッカーを拡張した深層学習型自動冠状動脈幹トラッカー (AuCoTrack) を提案する。
マルチスケール3次元入力で動作する2経路畳み込みニューラルネットワーク(CNN)は、冠動脈の向きを予測する。
類似のマルチスケール2重経路3D CNNは、追跡プロセスの終了のための冠動脈終端を特定するために訓練されている。
論文 参考訳（メタデータ） (2020-10-02T11:20:25Z) - 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)
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。