論文の概要: Sickle Cell Disease Severity Prediction from Percoll Gradient Images using Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2109.05372v1
• Date: Sat, 11 Sep 2021 21:09:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:25:01.924569
• Title: Sickle Cell Disease Severity Prediction from Percoll Gradient Images using Graph Convolutional Networks
• Title（参考訳）: グラフ畳み込みネットワークを用いたPercoll Gradient画像からのシックル細胞病重症度予測
• Authors: Ario Sadafi, Asya Makhro, Leonid Livshits, Nassir Navab, Anna Bogdanova, Shadi Albarqouni, Carsten Marr
• Abstract要約: シックル細胞病(Sickle cell disease, SCD)は、赤血球の早期破壊を引き起こす重篤な遺伝性ヘモグロビン疾患である。 提案手法は,SCD重大度予測の難問に対する最初の計算手法である。
• 参考スコア（独自算出の注目度）: 38.27767684024691
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sickle cell disease (SCD) is a severe genetic hemoglobin disorder that results in premature destruction of red blood cells. Assessment of the severity of the disease is a challenging task in clinical routine since the causes of broad variance in SCD manifestation despite the common genetic cause remain unclear. Identification of the biomarkers that would predict the severity grade is of importance for prognosis and assessment of responsiveness of patients to therapy. Detection of the changes in red blood cell (RBC) density through separation of Percoll density gradient could be such marker as it allows to resolve intercellular differences and follow the most damaged dense cells prone to destruction and vaso-occlusion. Quantification of the images obtained from the distribution of RBCs in Percoll gradient and interpretation of the obtained is an important prerequisite for establishment of this approach. Here, we propose a novel approach combining a graph convolutional network, a convolutional neural network, fast Fourier transform, and recursive feature elimination to predict the severity of SCD directly from a Percoll image. Two important but expensive laboratory blood test parameters measurements are used for training the graph convolutional network. To make the model independent from such tests during prediction, the two parameters are estimated by a neural network from the Percoll image directly. On a cohort of 216 subjects, we achieve a prediction performance that is only slightly below an approach where the groundtruth laboratory measurements are used. Our proposed method is the first computational approach for the difficult task of SCD severity prediction. The two-step approach relies solely on inexpensive and simple blood analysis tools and can have a significant impact on the patients' survival in underdeveloped countries where access to medical instruments and doctors is limited
• Abstract（参考訳）: シックル細胞病(Sickle cell disease, SCD)は、赤血球の早期破壊を引き起こす重篤な遺伝性ヘモグロビン疾患である。 本疾患の重症度評価は、一般的な遺伝子原因にもかかわらず、SCD発現の広範なばらつきの原因が不明であるため、臨床経過において難しい課題である。 重症度を予測するバイオマーカーの同定は、予後と治療に対する患者の応答性を評価する上で重要である。 ペルコール濃度勾配の分離による赤血球密度の変化の検出は、細胞間差を解消し、破壊や血管閉塞を引き起こす最も損傷の大きい高密度細胞を追従できるマーカーとなる可能性がある。 パーコール勾配におけるrbcs分布から得られた画像の定量化と得られた画像の解釈は,この手法の確立に重要な前提条件である。 本稿では,グラフ畳み込みネットワーク,畳み込みニューラルネットワーク,高速フーリエ変換,再帰的特徴除去を組み合わせた新しい手法を提案する。 グラフ畳み込みネットワークのトレーニングには2つの重要な検査用血液検査パラメーターが使用される。 予測中、モデルがそのようなテストから独立するようにするため、2つのパラメータはpercollイメージから直接ニューラルネットワークによって推定される。 216人の被験者のコホートにおいて,基礎実験室の測定を行うアプローチよりわずかに低い予測性能が得られた。 提案手法は,scd重症度予測の難しいタスクに対する最初の計算手法である。 2段階のアプローチは安価でシンプルな血液分析ツールのみに依存しており、医療機器や医師へのアクセスが限られている未発達国において患者の生存に大きな影響を与える可能性がある。

関連論文リスト

• Self-pruning Graph Neural Network for Predicting Inflammatory Disease Activity in Multiple Sclerosis from Brain MR Images [10.312631192694479]
  多発性硬化症(Multiple Sclerosis, MS)は、中枢神経系の炎症性病変を特徴とする重度の神経疾患である。 本稿では,2段階のMS炎症性疾患活動予測手法を提案する。まず3次元セグメンテーションネットワークが病変を検知し,自己管理アルゴリズムが画像の特徴を抽出する。 次に、検出された病変を患者グラフ構築に使用し、その空間的近接に基づいて病変を接続し、炎症性疾患活動予測をグラフ分類タスクとして定式化する。
  論文  参考訳（メタデータ） (2023-08-31T17:05:14Z)
• 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)
• Granger Causal Chain Discovery for Sepsis-Associated Derangements via Continuous-Time Hawkes Processes [10.410454851418548]
  拡張性のある2相勾配法を開発し,最大サロゲート形状推定値を求める。 本手法はアトランタのグレーディ病院に入院した患者のデータに拡張され,GCグラフでは敗血症に先行するいくつかの高度に解釈可能なGC鎖を同定した。
  論文  参考訳（メタデータ） (2022-09-09T18:21:30Z)
• 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)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• U-GAT: Multimodal Graph Attention Network for COVID-19 Outcome Prediction [31.26241022394112]
  新型コロナウイルス(COVID-19)の最初の波で、病院は多数の入院患者に圧倒された。 画像情報と非画像情報を組み合わせた全体論的なグラフベースのアプローチは、早期の予後を可能にする可能性がある。 本稿では,患者をクラスタリングするための人口グラフを構築するためのマルチモーダル類似度指標と,このグラフを処理するための画像ベースのエンドツーエンドグラフ注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-29T12:00:54Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Hybrid Deep Learning Gaussian Process for Diabetic Retinopathy Diagnosis and Uncertainty Quantification [0.0]
  糖尿病網膜症 (Diabetes Mellitus) は糖尿病の微小血管合併症の1つである。 コナールニューラルネットワークに基づく計算モデルは、眼底画像を用いたDRの自動検出技術の現状を表す。 本稿では,DR診断と不確実性定量化のためのハイブリッドディープラーニング・ガウス法を提案する。
  論文  参考訳（メタデータ） (2020-07-29T04:10:42Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)

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。