論文の概要: Weakly Supervised Attention Model for RV StrainClassification from volumetric CTPA Scans

• arxiv url: http://arxiv.org/abs/2107.12009v1
• Date: Mon, 26 Jul 2021 07:57:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 21:58:26.693625
• Title: Weakly Supervised Attention Model for RV StrainClassification from volumetric CTPA Scans
• Title（参考訳）: ボリュームCTPAスキャンからのRVひずみ分類のための弱教師付き注意モデル
• Authors: Noa Cahan, Edith M. Marom, Shelly Soffer, Yiftach Barash, Eli Konen, Eyal Klang and Hayit Greenspan
• Abstract要約: 肺塞栓症 (PE) とは、血栓による肺動脈の閉塞をいう。 高リスクPEは急性圧負荷による右室機能障害が原因である。 我々は、RVひずみを自動的に分類する新しいアテンション機構に重点を置いた、弱教師付きディープラーニングアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 2.7554288121906296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pulmonary embolus (PE) refers to obstruction of pulmonary arteries by blood clots. PE accounts for approximately 100,000 deaths per year in the United States alone. The clinical presentation of PE is often nonspecific, making the diagnosis challenging. Thus, rapid and accurate risk stratification is of paramount importance. High-risk PE is caused by right ventricular (RV) dysfunction from acute pressure overload, which in return can help identify which patients require more aggressive therapy. Reconstructed four-chamber views of the heart on chest CT can detect right ventricular enlargement. CT pulmonary angiography (CTPA) is the golden standard in the diagnostic workup of suspected PE. Therefore, it can link between diagnosis and risk stratification strategies. We developed a weakly supervised deep learning algorithm, with an emphasis on a novel attention mechanism, to automatically classify RV strain on CTPA. Our method is a 3D DenseNet model with integrated 3D residual attention blocks. We evaluated our model on a dataset of CTPAs of emergency department (ED) PE patients. This model achieved an area under the receiver operating characteristic curve (AUC) of 0.88 for classifying RV strain. The model showed a sensitivity of 87% and specificity of 83.7%. Our solution outperforms state-of-the-art 3D CNN networks. The proposed design allows for a fully automated network that can be trained easily in an end-to-end manner without requiring computationally intensive and time-consuming preprocessing or strenuous labeling of the data.We infer that unmarked CTPAs can be used for effective RV strain classification. This could be used as a second reader, alerting for high-risk PE patients. To the best of our knowledge, there are no previous deep learning-based studies that attempted to solve this problem.
• Abstract（参考訳）: 肺塞栓 (PE) は、血栓による肺動脈の閉塞を指す。 PEは米国だけで年間約10万人が死亡している。 PEの臨床的表示はしばしば非特異的であり、診断は困難である。 したがって、迅速かつ正確なリスク階層化が最重要となる。 高リスクpeは、急性血圧過負荷による右室機能不全によって引き起こされ、その代わりにどの患者がより積極的な治療を必要とするかを特定するのに役立つ。 再建された胸部ctでは右室拡大を検出できる。 CT肺血管造影(CTPA)は,PEの診断作業における黄金の基準である。 したがって、診断とリスク階層化戦略を結びつけることができる。 我々は,CTPA上のRVひずみを自動的に分類する,新しい注意機構を重視した弱教師付き深層学習アルゴリズムを開発した。 本手法は,3次元残光ブロックを統合した3次元DenseNetモデルである。 救急部 (ED) PE 患者のCTPAのデータセットを用いて,本モデルについて検討した。 このモデルは、RVひずみを分類するための0.88の受信特性曲線(AUC)の領域を達成した。 感度は87%、特異性は83.7%であった。 我々のソリューションは最先端の3D CNNネットワークより優れている。 提案する設計では,計算集約的かつ時間を要するデータの前処理や頑健なラベル付けを必要とせず,エンドツーエンドで容易にトレーニングできる完全自動化ネットワークを実現する。 これは第2のリーダーとして使用でき、高リスクのPE患者に警告する。 我々の知る限りでは、この問題を解こうとしたこれまでのディープラーニングベースの研究は存在しない。

関連論文リスト

• Deep learning in computed tomography pulmonary angiography imaging: a dual-pronged approach for pulmonary embolism detection [0.0]
  本研究の目的は,深層学習技術を活用し,肺塞栓症(PE)のコンピュータ支援診断(CAD)を強化することである。 我々の分類システムは、注意機構を用いて局所的な文脈を利用する注意誘導畳み込みニューラルネットワーク(AG-CNN)を含む。 AG-CNNはFUMPEデータセット上で堅牢なパフォーマンスを実現し、AUROCは0.927、感度は0.862、特異性は0.879、F1スコアは0.805、Inception-v3バックボーンアーキテクチャは0.805である。
  論文  参考訳（メタデータ） (2023-11-09T08:23:44Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Tensor-based Multimodal Learning for Prediction of Pulmonary Arterial Wedge Pressure from Cardiac MRI [6.21112347271845]
  心不全は重篤で生命を脅かす状態であり、左心室の圧力を上昇させる可能性がある。 PAWPは左室の高圧を示す重要な代理マーカーである。 非侵襲的な方法は、人口の多い高リスク患者を迅速に同定するのに有用である。
  論文  参考訳（メタデータ） (2023-03-14T00:05:08Z)
• 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)
• Convolutional Neural Network for Early Pulmonary Embolism Detection via Computed Tomography Pulmonary Angiography [0.0]
  本研究の目的は,肺塞栓症(PE)患者を対象としたコンピュータ支援検出システムの開発である。 提案したCADシステムは,PE患者と非PE患者を区別し,自動的にPE病変をラベル付けする。
  論文  参考訳（メタデータ） (2022-04-07T04:16:11Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• 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)
• Attention based CNN-LSTM Network for Pulmonary Embolism Prediction on Chest Computed Tomography Pulmonary Angiograms [22.62583095023903]
  肺塞栓症(PE)は最も致命的な心血管疾患の一つである。 PE予測のための2段階注目型CNN-LSTMネットワークを提案する。 本フレームワークはマルチスライス手法を用いて放射線診断プロセスのミラーリングを行う。
  論文  参考訳（メタデータ） (2021-07-13T17:58:15Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Automatic Diagnosis of Pulmonary Embolism Using an Attention-guided Framework: A Large-scale Study [5.4009326643013065]
  肺塞栓症 (PE) は、高い死亡率と致死性を伴う致命的な疾患である。 胸部CTでPEを検出するための深層学習モデルについて, 2段階のトレーニング戦略を用いて検討した。
  論文  参考訳（メタデータ） (2020-05-29T20:46:24Z)

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。