論文の概要: Fully Automated 2D and 3D Convolutional Neural Networks Pipeline for
Video Segmentation and Myocardial Infarction Detection in Echocardiography
- arxiv url: http://arxiv.org/abs/2103.14734v1
- Date: Fri, 26 Mar 2021 21:03:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 15:14:54.015720
- Title: Fully Automated 2D and 3D Convolutional Neural Networks Pipeline for
Video Segmentation and Myocardial Infarction Detection in Echocardiography
- Title(参考訳): 完全自動2次元および3次元畳み込みニューラルネットワークパイプラインによる心エコー図におけるビデオセグメンテーションと心筋梗塞検出
- Authors: Oumaima Hamila, Sheela Ramanna, Christopher J. Henry, Serkan Kiranyaz,
Ridha Hamila, Rashid Mazhar, Tahir Hamid
- Abstract要約: 畳み込みニューラルネットワーク(CNN)に基づく,革新的なリアルタイムエンドツーエンドフルオートマチックモデルを提案する。
A4C(Apical 4-chamber)ビューからLVチャンバーをセグメント化してデータ前処理を行う2次元CNNと、セグメント化された心エコー図がMIの兆候を示すかどうかを検出するバイナリ分類を行う3次元CNNからなるパイプラインとして実装しています。
- 参考スコア(独自算出の注目度): 7.378083964709321
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cardiac imaging known as echocardiography is a non-invasive tool utilized to
produce data including images and videos, which cardiologists use to diagnose
cardiac abnormalities in general and myocardial infarction (MI) in particular.
Echocardiography machines can deliver abundant amounts of data that need to be
quickly analyzed by cardiologists to help them make a diagnosis and treat
cardiac conditions. However, the acquired data quality varies depending on the
acquisition conditions and the patient's responsiveness to the setup
instructions. These constraints are challenging to doctors especially when
patients are facing MI and their lives are at stake. In this paper, we propose
an innovative real-time end-to-end fully automated model based on convolutional
neural networks (CNN) to detect MI depending on regional wall motion
abnormalities (RWMA) of the left ventricle (LV) from videos produced by
echocardiography. Our model is implemented as a pipeline consisting of a 2D CNN
that performs data preprocessing by segmenting the LV chamber from the apical
four-chamber (A4C) view, followed by a 3D CNN that performs a binary
classification to detect if the segmented echocardiography shows signs of MI.
We trained both CNNs on a dataset composed of 165 echocardiography videos each
acquired from a distinct patient. The 2D CNN achieved an accuracy of 97.18% on
data segmentation while the 3D CNN achieved 90.9% of accuracy, 100% of
precision and 95% of recall on MI detection. Our results demonstrate that
creating a fully automated system for MI detection is feasible and propitious.
- Abstract(参考訳): 心エコー法は、心疾患、特に心筋梗塞(MI)の診断に心臓科医が使用する画像やビデオなどのデータを生成するのに使用される非侵襲的なツールである。
心エコー計は、心疾患の診断や治療のために、心臓科医が迅速に分析する必要がある大量のデータを提供することができる。
しかし、取得したデータ品質は、取得条件や患者の設定指示に対する応答性によって異なる。
これらの制約は、特に患者がmiに直面し、命が危険にさらされている場合、医師にとって困難である。
本稿では,畳み込みニューラルネットワーク(cnn)に基づく,心エコー法による映像から左室壁運動異常(rwma)によるmiの検出を行うための,革新的なリアルタイムエンドツーエンド完全自動モデルを提案する。
本モデルは,apical four-chamber (a4c) ビューからlv chamberを分割してデータ前処理を行う2d cnnと,分割された心エコー図がmiの徴候を示すかどうかを検出するバイナリ分類を行う3d cnnとからなるパイプラインとして実装されている。
異なる患者から取得した165本の心エコービデオからなるデータセットを用いて,両CNNを訓練した。
2D CNNはデータのセグメンテーションで97.18%の精度を達成し、3D CNNは90.9%の精度、100%の精度、95%のMI検出でリコールを達成した。
この結果から,MI検出のための完全自動システムの構築は可能であり,有効であることが示された。
関連論文リスト
- CaRe-CNN: Cascading Refinement CNN for Myocardial Infarct Segmentation
with Microvascular Obstructions [0.29958858726265647]
Cascading Refinement CNN (CaRe-CNN) は、完全に3Dでエンドツーエンドのトレーニングを受けた3段階のCNNケースである。
CaRe-CNNはFIMH 2023 MYOSAIQチャレンジに出場し、18チーム中2位にランクインした。
論文 参考訳(メタデータ) (2023-12-18T16:10:18Z) - Error correcting 2D-3D cascaded network for myocardial infarct scar
segmentation on late gadolinium enhancement cardiac magnetic resonance images [0.0]
完全自動で心筋梗塞の程度を計算できる2次元および3次元畳み込みニューラルネットワーク(CNN)のケースケードフレームワークを提案する。
EMIDECチャレンジのトレーニングデータセットを用いて,提案手法を5倍のクロスバリデーションで評価し,評価した。
論文 参考訳(メタデータ) (2023-06-26T14:21:18Z) - Dual Multi-scale Mean Teacher Network for Semi-supervised Infection
Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。
現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。
既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
論文 参考訳(メタデータ) (2022-11-10T13:11:21Z) - EchoCoTr: Estimation of the Left Ventricular Ejection Fraction from
Spatiotemporal Echocardiography [0.0]
心エコー法などの医用ビデオデータのトレーニングにおいて,通常直面する限界に対処する手法を提案する。
超音波ビデオにおける左室放出率(LVEF)の推定に,視覚変換器とCNNの強度を利用するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-09-09T11:01:59Z) - Data-Efficient Vision Transformers for Multi-Label Disease
Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。
ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。
以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文 参考訳(メタデータ) (2022-08-17T09:07:45Z) - Transfer Learning of Deep Spatiotemporal Networks to Model Arbitrarily
Long Videos of Seizures [58.720142291102135]
てんかん患者の治療には, てんかんセミノロジーの詳細な分析が重要である。
本稿では、畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた新しいアーキテクチャであるGESTURESを紹介する。
本稿では,HARデータセットでトレーニングしたSTCNNとRNNを組み合わせて,任意の長さの発作映像を正確に表現できることを示す。
論文 参考訳(メタデータ) (2021-06-22T18:40:31Z) - CNN-based Cardiac Motion Extraction to Generate Deformable Geometric
Left Ventricle Myocardial Models from Cine MRI [0.0]
Cine心MR画像からLV心筋の患者特異的幾何モデルの開発のための枠組みを提案する。
我々はvoxelmorph-based convolutional neural network (cnn) を用いて、心周期の次のフレームにエンドダイアゾールフレームの等表面メッシュとボリュームメッシュを伝搬する。
論文 参考訳(メタデータ) (2021-03-30T21:34:29Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳(メタデータ) (2020-11-17T16:15:49Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳(メタデータ) (2020-10-29T19:14:41Z) - Segmentation-free Estimation of Aortic Diameters from MRI Using Deep
Learning [2.231365407061881]
大動脈径の直接推定のための教師付き深層学習法を提案する。
提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。
全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
論文 参考訳(メタデータ) (2020-09-09T18:28:00Z) - 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。