論文の概要: Optimized Automated Cardiac MR Scar Quantification with GAN-Based Data
Augmentation
- arxiv url: http://arxiv.org/abs/2109.12940v1
- Date: Mon, 27 Sep 2021 10:46:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-29 01:03:41.691950
- Title: Optimized Automated Cardiac MR Scar Quantification with GAN-Based Data
Augmentation
- Title(参考訳): GANデータ拡張による心筋MRスカーの最適化
- Authors: Didier R.P.R.M. Lustermans, Sina Amirrajab, Mitko Veta, Marcel
Breeuwer, Cian M. Scannell
- Abstract要約: 後期ガドリニウム増強(LGE)心筋MRIの臨床的有用性は、標準化の欠如と時間を要する後処理によって制限される。
我々は,合成データによる拡張を訓練したカスケード深層学習パイプラインが,自動傷跡定量化のためのモデル精度とロバスト性を向上させることができるという仮説を検証した。
- 参考スコア(独自算出の注目度): 3.3073775218038888
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background: The clinical utility of late gadolinium enhancement (LGE) cardiac
MRI is limited by the lack of standardization, and time-consuming
postprocessing. In this work, we tested the hypothesis that a cascaded deep
learning pipeline trained with augmentation by synthetically generated data
would improve model accuracy and robustness for automated scar quantification.
Methods: A cascaded pipeline consisting of three consecutive neural networks
is proposed, starting with a bounding box regression network to identify a
region of interest around the left ventricular (LV) myocardium. Two further
nnU-Net models are then used to segment the myocardium and, if present, scar.
The models were trained on the data from the EMIDEC challenge, supplemented
with an extensive synthetic dataset generated with a conditional GAN.
Results: The cascaded pipeline significantly outperformed a single nnU-Net
directly segmenting both the myocardium (mean Dice similarity coefficient (DSC)
(standard deviation (SD)): 0.84 (0.09) vs 0.63 (0.20), p < 0.01) and scar (DSC:
0.72 (0.34) vs 0.46 (0.39), p < 0.01) on a per-slice level. The inclusion of
the synthetic data as data augmentation during training improved the scar
segmentation DSC by 0.06 (p < 0.01). The mean DSC per-subject on the challenge
test set, for the cascaded pipeline augmented by synthetic generated data, was
0.86 (0.03) and 0.67 (0.29) for myocardium and scar, respectively.
Conclusion: A cascaded deep learning-based pipeline trained with augmentation
by synthetically generated data leads to myocardium and scar segmentations that
are similar to the manual operator, and outperforms direct segmentation without
the synthetic images.
- Abstract(参考訳): 背景:LGE心筋MRIの臨床的有用性は,標準化の欠如と時間を要する後処理によって制限される。
そこで本研究では,合成したデータによって強化された学習パイプラインをカスケードすることで,モデル精度とロバスト性が向上し,スカー定量化が自動化されるという仮説を検証した。
方法: 3つの連続するニューラルネットワークからなるカスケードパイプラインが提案され,左心室(LV)心筋周囲の関心領域を識別するバウンディングボックス回帰ネットワークから始まる。
さらに2つのnnu-netモデルを使用して心筋とスカーを分割する。
モデルはEMIDECチャレンジのデータに基づいてトレーニングされ、条件付きGANで生成された広範な合成データセットを補足した。
結果: カスケードパイプラインは, 心筋(平均Dice類似度係数 (DSC) (標準偏差 (SD)): 0.84 (0.09) vs 0.63 (0.20), p < 0.01) and scar (DSC: 0.72 (0.34) vs 0.46 (0.39), p < 0.01) をスライスレベルで直接区分けする単一nnU-Netより有意に優れていた。
トレーニング中のデータ増補としての合成データの包含により,スカーセグメンテーションdscは0.06 (p < 0.01) 向上した。
人工的に生成したデータで拡張したカスケードパイプラインのチャレンジテストセットの平均DSCは0.86 (0.03) と0.67 (0.29) であった。
結論: 合成データによる強化を訓練した逐次的深層学習に基づくパイプラインは, 手動操作と類似した心筋・扁平分割を生じさせ, 合成画像を用いずに直接セグメント化を克服する。
関連論文リスト
- A Fully Automated Pipeline Using Swin Transformers for Deep
Learning-Based Blood Segmentation on Head CT Scans After Aneurysmal
Subarachnoid Hemorrhage [0.0]
我々は,自発性くも膜下出血(SAH)患者に対して,人工知能による完全自動血液分画ツールを開発し,その妥当性を検証した。
神経節下出血(aSAH)と診断された症例のNCCTスキャンをSwin UNETRを用いて経時的に解析した。
論文 参考訳(メタデータ) (2023-12-29T10:57:51Z) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳(メタデータ) (2022-08-22T22:01:44Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳(メタデータ) (2022-06-22T14:19:06Z) - Free-form Lesion Synthesis Using a Partial Convolution Generative
Adversarial Network for Enhanced Deep Learning Liver Tumor Segmentation [3.3148826359547523]
本研究の目的は,ネットワークトレーニングの強化に使用できる合成病変を生成するための深層学習フレームワークを開発することである。
病変合成ネットワークはGAN(Modified Generative Adversarial Network)である
判別器は、勾配ペナルティとスペクトル正規化を備えたワッサーシュタインGANを用いて設計されている。
論文 参考訳(メタデータ) (2022-06-18T00:40:41Z) - 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) - Generalizing electrocardiogram delineation: training convolutional
neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。
まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。
第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文 参考訳(メタデータ) (2021-11-25T10:11:41Z) - Neural Network-derived perfusion maps: a Model-free approach to computed
tomography perfusion in patients with acute ischemic stroke [4.925222726301579]
畳み込みニューラルネットワーク(CNN)はCT灌流データから臨床的に関連するパラメトリックマップを生成することができる。
cnnベースのアプローチは,最先端の灌流解析法に匹敵する臨床関連灌流マップを作成した。
論文 参考訳(メタデータ) (2021-01-15T07:11:02Z) - Cascaded Convolutional Neural Network for Automatic Myocardial
Infarction Segmentation from Delayed-Enhancement Cardiac MRI [12.940103904327655]
心臓MRIによる自動心筋梗塞セグメンテーションのためのカスケード畳み込みニューラルネットワークを提案する。
本手法はmiccai 2020 emidec challengeデータセットで評価し, 心筋, 梗塞, 還流のない平均diceスコア 0.8786, 0.7124, 0.7851 をそれぞれ達成した。
論文 参考訳(メタデータ) (2020-12-28T07:41:10Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳(メタデータ) (2020-07-20T21:47:28Z) - 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) - Handling Missing MRI Input Data in Deep Learning Segmentation of Brain
Metastases: A Multi-Center Study [1.4463443378902883]
深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。
セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。
DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
論文 参考訳(メタデータ) (2019-12-27T02:49:45Z)
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。