論文の概要: A Deep Learning Localization Method for Measuring Abdominal Muscle
Dimensions in Ultrasound Images
- arxiv url: http://arxiv.org/abs/2109.14919v1
- Date: Thu, 30 Sep 2021 08:36:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-02 00:55:07.416210
- Title: A Deep Learning Localization Method for Measuring Abdominal Muscle
Dimensions in Ultrasound Images
- Title(参考訳): 超音波画像における腹部筋次元測定のための深層学習法
- Authors: Alzayat Saleh, Issam H. Laradji, Corey Lammie, David Vazquez, Carol A
Flavell, and Mostafa Rahimi Azghadi
- Abstract要約: 腰痛(LBP)患者に対する2次元(2D)超音波像を用いて, 腹筋次元を計測し, 治療計画の作成と診断に有用である。
可変性が高いため、サーバ内の信頼性を低くするためには、専門的な訓練を受けた熟練した専門家が測定を行う必要がある。
本稿では,2次元US画像の腹部筋厚測定を自動化するために,Deep Learning (DL) アプローチを用いる。
- 参考スコア(独自算出の注目度): 2.309018557701645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Health professionals extensively use Two- Dimensional (2D) Ultrasound (US)
videos and images to visualize and measure internal organs for various purposes
including evaluation of muscle architectural changes. US images can be used to
measure abdominal muscles dimensions for the diagnosis and creation of
customized treatment plans for patients with Low Back Pain (LBP), however, they
are difficult to interpret. Due to high variability, skilled professionals with
specialized training are required to take measurements to avoid low
intra-observer reliability. This variability stems from the challenging nature
of accurately finding the correct spatial location of measurement endpoints in
abdominal US images. In this paper, we use a Deep Learning (DL) approach to
automate the measurement of the abdominal muscle thickness in 2D US images. By
treating the problem as a localization task, we develop a modified Fully
Convolutional Network (FCN) architecture to generate blobs of coordinate
locations of measurement endpoints, similar to what a human operator does. We
demonstrate that using the TrA400 US image dataset, our network achieves a Mean
Absolute Error (MAE) of 0.3125 on the test set, which almost matches the
performance of skilled ultrasound technicians. Our approach can facilitate next
steps for automating the process of measurements in 2D US images, while
reducing inter-observer as well as intra-observer variability for more
effective clinical outcomes.
- Abstract(参考訳): 健康専門家は2次元超音波(us)ビデオと画像を使用して、筋肉の構造変化の評価を含む様々な目的のために内臓器を可視化し測定する。
アメリカの画像は、低腰痛(lbp)患者の治療計画の診断と作成のために腹部の筋肉の寸法を測定するのに使用できるが、解釈は困難である。
高い変動性のため、専門訓練を受けた熟練した専門家は、オブザーバー内の信頼性の低下を避けるために測定を行う必要がある。
この変動性は、腹部us画像における測定エンドポイントの正確な空間的位置を正確に見つけるという困難な性質に由来する。
本稿では,2次元us画像における腹部筋厚測定の自動化のために,deep learning (dl) アプローチを用いた。
この問題をローカライズタスクとして扱うことで,人間の操作と同じような計測エンドポイントの座標位置のブロブを生成するために,FCN (Fully Convolutional Network) アーキテクチャを改良した。
tra400 us画像データセットを用いて,テストセット上で平均絶対誤差(mae)を0.3125とし,熟練超音波技術者の性能にほぼ匹敵することを示した。
提案手法は,2次元US画像における計測プロセスを自動化するための次のステップを容易にするとともに,より効果的な臨床結果を得るために,オブザーバ間の変動を低減できる。
関連論文リスト
- Redefining the Laparoscopic Spatial Sense: AI-based Intra- and
Postoperative Measurement from Stereoimages [3.2039076408339353]
立体視を用いた腹腔鏡計測のための人体AIを用いた新しい手法を開発した。
本研究は, 総合的質的要件分析に基づいて, 包括的測定法を提案する。
提案手法が1mm以下の誤差で精度の高い距離測定を実現する可能性について概説した。
論文 参考訳(メタデータ) (2023-11-16T10:19:04Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-01T10:10:46Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳(メタデータ) (2021-10-12T21:22:24Z) - The interpretation of endobronchial ultrasound image using 3D
convolutional neural network for differentiating malignant and benign
mediastinal lesions [3.0969191504482247]
本研究の目的は,内胚葉超音波(EBUS)画像を用いて悪性病変と良性病変を鑑別することである。
我々のモデルはノイズに耐性があり、EBUSビデオの様々な画像特徴と願望を融合させることができる。
論文 参考訳(メタデータ) (2021-07-29T08:38:17Z) - Deep Lesion Tracker: Monitoring Lesions in 4D Longitudinal Imaging
Studies [19.890200389017213]
深部病変追跡器(DLT)は、外観と解剖学的信号の両方を使用するディープラーニングアプローチです。
我々は,公開deeplesionデータベースから3891個の病巣対からなる最初の病巣追跡ベンチマークをリリースする。
dltは100の縦断研究の外部臨床検査セットをよく一般化し、88%の精度を達成する。
論文 参考訳(メタデータ) (2020-12-09T05:23:46Z) - Segmentation-free Estimation of Aortic Diameters from MRI Using Deep
Learning [2.231365407061881]
大動脈径の直接推定のための教師付き深層学習法を提案する。
提案手法では,3Dスキャンを入力とし,所定の位置で大動脈径を出力する3D+2D畳み込みニューラルネットワーク(CNN)を用いる。
全体として、3D+2D CNNは大動脈の位置によって2.2-2.4mmの平均的な絶対誤差を達成した。
論文 参考訳(メタデータ) (2020-09-09T18:28:00Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳(メタデータ) (2020-06-18T09:49:11Z) - Uncertainty Estimation in Deep 2D Echocardiography Segmentation [0.2062593640149623]
トレーニングデータからさらに離れた分布から来るデータをテストする場合、不確実性推定は重要である。
品質の悪い画像を自動的に拒否し、最先端のセグメンテーション結果を改善するために、不確実性推定がどのように用いられるかを示す。
論文 参考訳(メタデータ) (2020-05-19T10:19:23Z)
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。