論文の概要: Segmentation of Anatomical Layers and Artifacts in Intravascular
Polarization Sensitive Optical Coherence Tomography Using Attending Physician
and Boundary Cardinality Lost Terms
- arxiv url: http://arxiv.org/abs/2105.05137v1
- Date: Tue, 11 May 2021 15:52:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-12 17:28:47.774204
- Title: Segmentation of Anatomical Layers and Artifacts in Intravascular
Polarization Sensitive Optical Coherence Tomography Using Attending Physician
and Boundary Cardinality Lost Terms
- Title（参考訳）: 医師および境界濃度損失項を用いた血管内分極感度光コヒーレンス断層撮影における解剖学的層とアーチファクトの分節化
- Authors: Mohammad Haft-Javaherian, Martin Villiger, Kenichiro Otsuka, Joost
Daemen, Peter Libby, Polina Golland, and Brett E. Bouma
- Abstract要約: 血管内超音波と光コヒーレンス断層撮影は冠状動脈を特徴付けるために広く利用可能である。
畳み込みニューラルネットワークモデルを提案し,その性能を多項損失関数を用いて最適化する。
モデルは2つの主要なアーティファクトのクラスをセグメンテーションし,血管壁領域内の解剖学的層を検出する。
- 参考スコア（独自算出の注目度）: 4.93836246080317
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cardiovascular diseases are the leading cause of death and require a spectrum
of diagnostic procedures as well as invasive interventions. Medical imaging is
a vital part of the healthcare system, facilitating both diagnosis and guidance
for intervention. Intravascular ultrasound and optical coherence tomography are
widely available for characterizing coronary stenoses and provide critical
vessel parameters to optimize percutaneous intervention. Intravascular
polarization-sensitive optical coherence tomography (PS-OCT) can simultaneously
provide high-resolution cross-sectional images of vascular structures while
also revealing preponderant tissue components such as collagen and smooth
muscle and thereby enhance plaque characterization. Automated interpretation of
these features would facilitate the objective clinical investigation of the
natural history and significance of coronary atheromas. Here, we propose a
convolutional neural network model and optimize its performance using a new
multi-term loss function to classify the lumen, intima, and media layers in
addition to the guidewire and plaque artifacts. Our multi-class classification
model outperforms the state-of-the-art methods in detecting the anatomical
layers based on accuracy, Dice coefficient, and average boundary error.
Furthermore, the proposed model segments two classes of major artifacts and
detects the anatomical layers within the thickened vessel wall regions, which
were excluded from analysis by other studies. The source code and the trained
model are publicly available at https://github.com/mhaft/OCTseg .
- Abstract（参考訳）: 心臓血管疾患は死因の主要な疾患であり、様々な診断手順と侵襲的介入が必要である。
医療画像は医療システムにおいて不可欠な部分であり、診断と介入の指導を円滑に行う。
血管内超音波および光コヒーレンス断層撮影は冠動脈狭窄を特徴付けるために広く用いられている。
血管内偏光感応性光コヒーレンストモグラフィ(PS-OCT)は、コラーゲンや平滑筋などの先駆組織成分を呈し、同時に高分解能な血管構造の断面像を提供することができる。
これらの特徴の自動解釈は、冠状動脈腫の自然史と意義の客観的な臨床的研究を促進する。
本稿では,畳み込みニューラルネットワークモデルを提案し,ガイドワイヤやプラークアーティファクトに加えて,ルーメン,インティマ,メディア層を分類する多項損失関数を用いて,その性能を最適化する。
多クラス分類モデルは,精度,Dice係数,平均境界誤差に基づく解剖層の検出において,最先端の手法よりも優れている。
さらに,本モデルでは,2種類の主要なアーティファクトをセグメンテーションし,他の研究による解析から除外された血管壁領域内の解剖学的層を検出する。
ソースコードとトレーニングされたモデルはhttps://github.com/mhaft/OCTsegで公開されている。
関連論文リスト
- CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Spatiotemporal Disentanglement of Arteriovenous Malformations in Digital
Subtraction Angiography [37.44819725897024]
本提案手法は, 船舶の自動分類による臨界情報を強調することにより, デジタルサブトラクション血管造影(DSA)画像シリーズを向上することを目的としている。
本法は, 臨床用DSA画像シリーズを用いて検討し, 動脈と静脈の効率的な鑑別を実証した。
論文 参考訳（メタデータ） (2024-02-15T00:29:53Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳（メタデータ） (2023-09-25T19:34:12Z) - Morphology-based non-rigid registration of coronary computed tomography and intravascular images through virtual catheter path optimization [0.2631367460046713]
血管内画像の剛性および非剛性マッチングのための形態学的枠組みをCCTA画像に提示した。
本フレームワークは,大規模なマルチモーダル臨床研究を行うために必要な手作業を削減する。
論文 参考訳（メタデータ） (2022-12-30T21:48:32Z) - 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) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - Automatic Segmentation of the Optic Nerve Head Region in Optical
Coherence Tomography: A Methodological Review [4.777796444711511]
視神経頭は、視神経(ONH)の眼内部分を表す。
光コヒーレンストモグラフィーの出現により、新しい視神経頭部パラメータの評価が可能となった。
ディープラーニングに基づくアルゴリズムは、ONHの異なる構造を分割する上で、最高の精度、感度、特異性を提供する。
論文 参考訳（メタデータ） (2021-09-06T09:45:57Z) - 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) - Assignment Flow for Order-Constrained OCT Segmentation [0.0]
網膜層厚の同定は、患者ごとに個別に行う重要な課題である。
自動セグメンテーションモデルの構築は,医用画像処理分野において重要な課題となっている。
我々は、秩序に制約された3D OCT網膜細胞層セグメンテーションのための新しい、純粋にデータ駆動型テキスト幾何学的アプローチを提案する。
論文 参考訳（メタデータ） (2020-09-10T01:57:53Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳（メタデータ） (2020-07-02T12:00:53Z) - Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。
本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。
合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
論文 参考訳（メタデータ） (2020-05-12T08:01:16Z)
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。