論文の概要: Joint Landmark and Structure Learning for Automatic Evaluation of
Developmental Dysplasia of the Hip
- arxiv url: http://arxiv.org/abs/2106.05458v1
- Date: Thu, 10 Jun 2021 02:12:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-11 14:44:18.252889
- Title: Joint Landmark and Structure Learning for Automatic Evaluation of
Developmental Dysplasia of the Hip
- Title（参考訳）: 変形性股関節症自動評価のための関節ランドマークと構造学習
- Authors: Xindi Hu, Limin Wang, Xin Yang, Xu Zhou, Wufeng Xue, Yan Cao,
Shengfeng Liu, Yuhao Huang, Shuangping Guo, Ning Shang, Dong Ni, and Ning Gu
- Abstract要約: 乳児股関節の超音波検診は発達性股関節異形成症(DDH)の早期診断に不可欠である
本稿では,ランドマークと構造物間の関係を共同で学習し,DDHを自動評価するマルチタスクフレームワークを提案する。
実験の結果,提案手法はDDHの自動評価を正確かつ確実に実現できることがわかった。
- 参考スコア（独自算出の注目度）: 22.25700902544199
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ultrasound (US) screening of the infant hip is vital for the early
diagnosis of developmental dysplasia of the hip (DDH). The US diagnosis of DDH
refers to measuring alpha and beta angles that quantify hip joint development.
These two angles are calculated from key anatomical landmarks and structures of
the hip. However, this measurement process is not trivial for sonographers and
usually requires a thorough understanding of complex anatomical structures. In
this study, we propose a multi-task framework to learn the relationships among
landmarks and structures jointly and automatically evaluate DDH. Our multi-task
networks are equipped with three novel modules. Firstly, we adopt Mask R-CNN as
the basic framework to detect and segment key anatomical structures and add one
landmark detection branch to form a new multi-task framework. Secondly, we
propose a novel shape similarity loss to refine the incomplete anatomical
structure prediction robustly and accurately. Thirdly, we further incorporate
the landmark-structure consistent prior to ensure the consistency of the bony
rim estimated from the segmented structure and the detected landmark. In our
experiments, 1,231 US images of the infant hip from 632 patients are collected,
of which 247 images from 126 patients are tested. The average errors in alpha
and beta angles are 2.221 degrees and 2.899 degrees. About 93% and 85%
estimates of alpha and beta angles have errors less than 5 degrees,
respectively. Experimental results demonstrate that the proposed method can
accurately and robustly realize the automatic evaluation of DDH, showing great
potential for clinical application.
- Abstract（参考訳）: 乳児股関節の超音波(US)スクリーニングは、発達性股関節異形成症(DDH)の早期診断に不可欠である。
DDHの米国診断は、股関節の発達を定量化するα角とβ角を測定することである。
これらの2つの角度は、重要な解剖学的ランドマークと股関節の構造から計算される。
しかし、この測定プロセスはソノグラフィーにとって簡単なものではなく、通常は複雑な解剖学的構造を徹底的に理解する必要がある。
本研究では,ランドマークと構造物間の関係を共同で学習し,DDHを自動評価するマルチタスクフレームワークを提案する。
我々のマルチタスクネットワークは3つの新しいモジュールを備えている。
まず,Mask R-CNNを鍵解剖学的構造を検出し,セグメント化するための基本フレームワークとして採用し,新しいマルチタスクフレームワークを形成するために,ランドマーク検出ブランチを1つ追加する。
次に,不完全解剖学的構造予測をロバストかつ精度良く洗練するために,新しい形状類似性損失を提案する。
第3に、セグメント構造と検出されたランドマークから推定されるボニーリムの整合性を確保するために、ランドマーク構造をさらに一貫した形で組み込む。
実験では,632例の乳児股関節の1,231 us画像が収集され,そのうち116例の247画像が検査された。
アルファ角とベータ角の平均誤差は2.221度と2.899度である。
アルファ角とベータ角の93%と85%は、それぞれ5度未満の誤差があると見積もっている。
実験の結果,ddhの自動評価を高精度かつロバストに実現でき,臨床応用の可能性も示唆された。
関連論文リスト
- Sequence-aware Pre-training for Echocardiography Probe Guidance [66.35766658717205]
心臓超音波は、(1)心臓の本質的に複雑な構造、(2)重要な個人差の2つの大きな課題に直面している。
これまでの研究は、心臓のパーソナライズされた構造的特徴よりも、心臓の2Dおよび3Dの人口平均構造についてしか学ばなかった。
パーソナライズされた2次元と3次元の心構造特徴を学習するためのシーケンス認識型自己教師付き事前学習法を提案する。
論文 参考訳（メタデータ） (2024-08-27T12:55:54Z) - Atrial Septal Defect Detection in Children Based on Ultrasound Video
Using Multiple Instances Learning [14.62565592495898]
本稿では,心房中隔欠損診断を支援するための心エコー画像に基づく深層学習手法を提案する。
心房中隔(subAS)と低中隔4区画(LPS4C)の2つの標準ビューをASDを同定する2つのビューとして選択した。
ASD検出では,89.33 AUC,84.95精度,85.70感度,81.51特異度,81.99F1スコアが得られた。
論文 参考訳（メタデータ） (2023-06-06T16:25:29Z) - Leveraging Clinically Relevant Biometric Constraints To Supervise A Deep
Learning Model For The Accurate Caliper Placement To Obtain Sonographic
Measurements Of The Fetal Brain [0.0]
経小脳平面(TC)の2次元USG画像から3つの重要な胎児脳バイオメトリーを計算するための深層学習(DL)手法を提案する。
U-Net DLモデルの精度を向上させるために,臨床的に関連するバイオメトリック制約(校正点間の関連性)とドメイン関連データ拡張を利用した。
いずれの場合も、個々のカリパーポイントの配置における平均誤差と計算されたバイオメトリーは、臨床医の誤差率に匹敵するものであった。
論文 参考訳（メタデータ） (2022-03-28T04:00:22Z) - 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate
Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。
1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。
われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文 参考訳（メタデータ） (2021-12-18T17:05:53Z) - 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) - SpineOne: A One-Stage Detection Framework for Degenerative Discs and
Vertebrae [54.751251046196494]
SpineOneと呼ばれる一段階検出フレームワークを提案し、MRIスライスから変性椎骨と椎骨を同時に局在化・分類する。
1)キーポイントの局所化と分類を促進するためのキーポイント・ヒートマップの新しい設計、2)ディスクと脊椎の表現をよりよく区別するためのアテンション・モジュールの使用、3)後期訓練段階における複数の学習目標を関連付けるための新しい勾配誘導客観的アソシエーション機構。
論文 参考訳（メタデータ） (2021-10-28T12:59:06Z) - Statistical Dependency Guided Contrastive Learning for Multiple Labeling
in Prenatal Ultrasound [56.631021151764955]
標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。
我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
論文 参考訳（メタデータ） (2021-08-11T06:39:26Z) - Detecting Hypo-plastic Left Heart Syndrome in Fetal Ultrasound via
Disease-specific Atlas Maps [18.37280146564769]
低形成性左心症候群の自動診断のための解釈可能なアトラス・ラーニング・セグメンテーション法を提案する。
本稿では,最近導入された画像・空間トランスフォーマーネットワーク(Atlas-ISTN)を,感作アトラスの病原体生成を可能にするフレームワークに拡張することを提案する。
論文 参考訳（メタデータ） (2021-07-06T14:31:19Z) - 3D Graph Anatomy Geometry-Integrated Network for Pancreatic Mass
Segmentation, Diagnosis, and Quantitative Patient Management [21.788423806147378]
膵管腺癌(PDAC)と他の9つの非PDAC腫とを多相CT画像で区別する。
患者レベルの診断を行うための総合的セグメンテーション・メシュ分類網(SMCN)を提案する。
論文 参考訳（メタデータ） (2020-12-08T19:38:01Z) - 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) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳（メタデータ） (2020-04-28T14:43:05Z)
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。