論文の概要: Disarranged Zone Learning (DZL): An unsupervised and dynamic automatic
stenosis recognition methodology based on coronary angiography
- arxiv url: http://arxiv.org/abs/2110.00896v1
- Date: Sun, 3 Oct 2021 00:27:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 08:21:31.989921
- Title: Disarranged Zone Learning (DZL): An unsupervised and dynamic automatic
stenosis recognition methodology based on coronary angiography
- Title（参考訳）: disarranged zone learning (dzl) : 冠動脈造影法による非教師なし・動的自動狭窄認識法
- Authors: Yanan Dai, Pengxiong Zhu, Bangde Xue, Yun Ling, Xibao Shi, Liang Geng,
Qi Zhang, Jun Liu
- Abstract要約: 冠状動脈造影における狭窄を自動的に認識するDisarranged Zone Learning(DZL)を新たに提案する。
DZLは、教師なしの方法論であり、ラベルエンジニアリングの努力は不要であり、DZLのサブGRUモデルは、自己監督的なアプローチとして機能する。
総合的な平均精度スコアは0.93、AUCは0.8である。
- 参考スコア（独自算出の注目度）: 6.969537940754547
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We proposed a novel unsupervised methodology named Disarranged Zone Learning
(DZL) to automatically recognize stenosis in coronary angiography. The
methodology firstly disarranges the frames in a video, secondly it generates an
effective zone and lastly trains an encoder-decoder GRU model to learn the
capability to recover disarranged frames. The breakthrough of our study is to
discover and validate the Sequence Intensity (Recover Difficulty) is a measure
of Coronary Artery Stenosis Status. Hence, the prediction accuracy of DZL is
used as an approximator of coronary stenosis indicator. DZL is an unsupervised
methodology and no label engineering effort is needed, the sub GRU model in DZL
works as a self-supervised approach. So DZL could theoretically utilize
infinitely huge amounts of coronary angiographies to learn and improve
performance without laborious data labeling. There is no data preprocessing
precondition to run DZL as it dynamically utilizes the whole video, hence it is
easy to be implemented and generalized to overcome the data heterogeneity of
coronary angiography. The overall average precision score achieves 0.93, AUC
achieves 0.8 for this pure methodology. The highest segmented average precision
score is 0.98 and the highest segmented AUC is 0.87 for coronary occlusion
indicator. Finally, we developed a software demo to implement DZL methodology.
- Abstract（参考訳）: 冠動脈造影における狭窄を自動的に認識するDisarranged Zone Learning(DZL)を新たに提案した。
提案手法はまず,映像中のフレームを無秩序化し,次に有効領域を生成し,最後にエンコーダ・デコーダモデルを用いて不規則なフレームを復元する能力を学ぶ。
本研究のブレークスルーは,冠動脈狭窄状態の指標であるシーケンス強度(回復困難度)を発見・検証することである。
したがって、DZLの予測精度は冠動脈狭窄の指標の近似として用いられる。
DZLは教師なしの方法論であり、ラベルエンジニアリングの努力は必要とせず、DZLのサブGRUモデルは自己監督的なアプローチとして機能する。
そのため、DZLは理論上、膨大な量の冠状血管造影を用いて、面倒なデータラベリングなしに学習し、パフォーマンスを向上させることができる。
dzlがビデオ全体を動的に利用するため、dzlを実行するためのデータプリプロセッシングプリコンディションは存在せず、冠動脈造影のデータの多様性を克服する実装と一般化が容易である。
総合的な平均精度スコアは0.93、AUCは0.8である。
最も高いセグメント化平均精度スコアは 0.98 であり、最もセグメント化された auc は冠動脈閉塞指標 0.87 である。
最後に、DZL方法論を実装するためのソフトウェアデモを開発した。
関連論文リスト
- KaLDeX: Kalman Filter based Linear Deformable Cross Attention for Retina Vessel Segmentation [46.57880203321858]
カルマンフィルタを用いた線形変形型クロスアテンション(LDCA)モジュールを用いた血管セグメンテーションのための新しいネットワーク(KaLDeX)を提案する。
我々のアプローチは、カルマンフィルタ(KF)ベースの線形変形可能な畳み込み(LD)とクロスアテンション(CA)モジュールの2つの重要なコンポーネントに基づいている。
提案手法は,網膜基底画像データセット(DRIVE,CHASE_BD1,STARE)とOCTA-500データセットの3mm,6mmを用いて評価した。
論文 参考訳（メタデータ） (2024-10-28T16:00:42Z) - DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。
The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
論文 参考訳（メタデータ） (2023-12-02T22:57:25Z) - SSASS: Semi-Supervised Approach for Stenosis Segmentation [9.767759441883008]
冠状動脈構造の複雑さとX線像の固有ノイズが相まって,この課題には大きな課題が生じる。
心血管狭窄セグメンテーションに対する半監督的アプローチを提案する。
自動冠状動脈疾患診断では異常な成績を示した。
論文 参考訳（メタデータ） (2023-11-17T02:01:19Z) - Multivessel Coronary Artery Segmentation and Stenosis Localisation using
Ensemble Learning [3.656984996633334]
そこで本研究では,MICCAI 2023 Automatic Region-based Coronary Artery Disease(冠状動脈疾患自動診断)のためのエンド・ツー・エンドの機械学習ソリューションを提案する。
X線冠動脈造影による冠動脈分画および狭窄性病変の局在性評価の方法の標準化を目的としている。
冠状動脈セグメンテーションでは平均F1スコアが37.69%、狭窄局所化では39.41%であった。
論文 参考訳（メタデータ） (2023-10-27T08:03:12Z) - Generalizing to Unseen Domains in Diabetic Retinopathy Classification [8.59772105902647]
糖尿病網膜症分類における分布や領域の特定にモデルを一般化する問題について検討した。
本稿では、視覚変換器の自己蒸留を実現するための、シンプルで効果的な領域一般化(DG)手法を提案する。
本稿では,オープンソースのDR分類データセット上での最先端DG手法の性能について報告する。
論文 参考訳（メタデータ） (2023-10-26T09:11:55Z) - 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) - 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) - Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。
NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。
我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-23T09:35:03Z) - 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) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z)
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。