論文の概要: Transformer Network for Significant Stenosis Detection in CCTA of
Coronary Arteries
- arxiv url: http://arxiv.org/abs/2107.03035v1
- Date: Wed, 7 Jul 2021 06:27:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-08 13:55:56.639207
- Title: Transformer Network for Significant Stenosis Detection in CCTA of
Coronary Arteries
- Title(参考訳): 冠動脈cctaにおける著明な狭窄検出のためのトランスフォーマーネットワーク
- Authors: Xinghua Ma, Gongning Luo, Wei Wang and Kuanquan Wang
- Abstract要約: 本稿では,重要な狭窄を自動的に検出するためのTransformer Network(TR-Net)を提案する。
意味情報シーケンスを解析することにより、TR-Netは、MPR(Multiplanar reformatted)画像の各位置における画像情報間の関係を完全に理解することができる。
我々の TR-Net は ACC (0.92), Spec (0.96), PPV (0.84), F1 (0.79) および MCC (0.74) の指標において, 最先端の手法と比較してよい結果を得た。
- 参考スコア(独自算出の注目度): 7.751285032094124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coronary artery disease (CAD) has posed a leading threat to the lives of
cardiovascular disease patients worldwide for a long time. Therefore, automated
diagnosis of CAD has indispensable significance in clinical medicine. However,
the complexity of coronary artery plaques that cause CAD makes the automatic
detection of coronary artery stenosis in Coronary CT angiography (CCTA) a
difficult task. In this paper, we propose a Transformer network (TR-Net) for
the automatic detection of significant stenosis (i.e. luminal narrowing > 50%)
while practically completing the computer-assisted diagnosis of CAD. The
proposed TR-Net introduces a novel Transformer, and tightly combines
convolutional layers and Transformer encoders, allowing their advantages to be
demonstrated in the task. By analyzing semantic information sequences, TR-Net
can fully understand the relationship between image information in each
position of a multiplanar reformatted (MPR) image, and accurately detect
significant stenosis based on both local and global information. We evaluate
our TR-Net on a dataset of 76 patients from different patients annotated by
experienced radiologists. Experimental results illustrate that our TR-Net has
achieved better results in ACC (0.92), Spec (0.96), PPV (0.84), F1 (0.79) and
MCC (0.74) indicators compared with the state-of-the-art methods. The source
code is publicly available from the link (https://github.com/XinghuaMa/TR-Net).
- Abstract(参考訳): 冠状動脈疾患(CAD)は、長い間、世界中の心血管疾患患者の生活に重大な脅威をもたらしてきた。
したがって,CADの自動診断は臨床医学において不可欠である。
しかし,CADの原因となる冠動脈プラークの複雑化は,冠動脈造影(CCTA)における冠動脈狭窄の自動検出を困難にしている。
本稿では,重要な狭窄を自動的に検出するTransformer Network(TR-Net)を提案する。
cadのコンピュータ支援診断を実質的に完了させながら, 発光幅を50%以上狭めている。
提案したTR-Netは、新しいTransformerを導入し、畳み込み層とTransformerエンコーダを密結合することで、それらの利点をタスクで示すことができる。
意味情報シーケンスを解析することにより、TR-Netは、MPR(Multiplanar reformatted)画像の各位置における画像情報間の関係を完全に理解し、局所情報とグローバル情報の両方に基づいて重要な狭窄を正確に検出することができる。
経験豊富な放射線科医がアノテートした異なる患者76人のデータからtr-netを評価した。
実験の結果, TR-Net は ACC (0.92), Spec (0.96), PPV (0.84), F1 (0.79) および MCC (0.74) において, 最先端の手法と比較して良好な結果を得た。
ソースコードはリンクから公開されている(https://github.com/XinghuaMa/TR-Net)。
関連論文リスト
- TransReg: Cross-transformer as auto-registration module for multi-view
mammogram mass detection [0.0]
頭蓋頭蓋骨(CC)と側方斜視(MLO)の関連性を利用したCADシステムであるTransRegを提案する。
このシステムは、マス検出問題に対して、シアム高速RCNNネットワークによって抽出された関心領域(RoIs)の関係をモデル化するクロストランスフォーマーを含む。
我々の研究は、クロストランスフォーマーをオブジェクト検出フレームワークに統合して、異方性ビュー間の関係をモデル化した初めてのものです。
論文 参考訳(メタデータ) (2023-11-09T08:08:12Z) - StenUNet: Automatic Stenosis Detection from X-ray Coronary Angiography [5.430434855741553]
冠動脈疾患(CAD)の重症度は、その位置、狭窄度(狭窄度)、血管数によって定量化される。
MICCAIの大挑戦:X線アンギオグラフィー(ARCADE)を用いた自動領域ベース冠動脈疾患診断は、狭窄アノテーションを用いたデータセットをキュレートした。
我々は,X線冠動脈造影から狭窄を正確に検出するアーキテクチャとアルゴリズムStenUNetを提案する。
論文 参考訳(メタデータ) (2023-10-23T14:04:18Z) - Neural network-based coronary dominance classification of RCA angiograms [0.3177496877224142]
右冠状動脈 (RCA) 血管造影による心臓支配の分類法を提案する。
対象は828例で,その内192例が左支配症例であった。
RCAのみに基づく心臓支配を分類するための機械学習アプローチの使用は、良好な精度で成功していることが示されている。
論文 参考訳(メタデータ) (2023-09-13T13:47:52Z) - Segmentation of Aortic Vessel Tree in CT Scans with Deep Fully
Convolutional Networks [4.062948258086793]
大動脈疾患の早期発見,診断,予後には,CTスキャンによる大動脈血管木の自動的,正確な分画が不可欠である。
我々は2段階の完全畳み込みネットワーク(FCN)を用いて、複数のセンターからスキャン中のAVTを自動的に分割する。
論文 参考訳(メタデータ) (2023-05-16T22:24:01Z) - 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) - A Novel Implementation of Machine Learning for the Efficient,
Explainable Diagnosis of COVID-19 from Chest CT [0.0]
本研究の目的は、胸部CTスキャンから新型コロナウイルスを機械学習で検出することである。
提案したモデルは0.927の総合精度と0.958の感度を得た。
論文 参考訳(メタデータ) (2022-06-15T18:35:22Z) - CNN Filter Learning from Drawn Markers for the Detection of Suggestive
Signs of COVID-19 in CT Images [58.720142291102135]
畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。
少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。
本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
論文 参考訳(メタデータ) (2021-11-16T15:03:42Z) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳(メタデータ) (2021-04-06T02:01:43Z) - COVID-Net CT-2: Enhanced Deep Neural Networks for Detection of COVID-19
from Chest CT Images Through Bigger, More Diverse Learning [70.92379567261304]
胸部CT画像からのCOVID-19検出のための深部ニューラルネットワークであるCOVID-Net CT-2を導入する。
説明力を活用して、COVID-Net CT-2の意思決定行動を調査します。
結果は有望であり、コンピュータ支援型COVID-19アセスメントの有効なツールとして、ディープニューラルネットワークの強い可能性を示唆している。
論文 参考訳(メタデータ) (2021-01-19T03:04:09Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - COVIDNet-CT: A Tailored Deep Convolutional Neural Network Design for
Detection of COVID-19 Cases from Chest CT Images [75.74756992992147]
我々は、胸部CT画像からCOVID-19の症例を検出するのに適した、深層畳み込みニューラルネットワークアーキテクチャであるCOVIDNet-CTを紹介した。
また,中国生体情報センターが収集したCT画像データから得られたベンチマークCT画像データセットであるCOVIDx-CTも紹介した。
論文 参考訳(メタデータ) (2020-09-08T15:49:55Z)
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。