論文の概要: A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images

• arxiv url: http://arxiv.org/abs/2110.12508v1
• Date: Sun, 24 Oct 2021 18:58:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 10:02:47.812388
• Title: A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images
• Title（参考訳）: 灌流画像からの放射能特徴を用いた脳卒中患者の側方血流予測のための深層学習アプローチ
• Authors: Giles Tetteh, Fernando Navarro, Johannes Paetzold, Jan Kirschke, Claus Zimmer, Bjoern H. Menze
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.17507437526425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collateral circulation results from specialized anastomotic channels which are capable of providing oxygenated blood to regions with compromised blood flow caused by ischemic injuries. The quality of collateral circulation has been established as a key factor in determining the likelihood of a favorable clinical outcome and goes a long way to determine the choice of stroke care model - that is the decision to transport or treat eligible patients immediately. Though there exist several imaging methods and grading criteria for quantifying collateral blood flow, the actual grading is mostly done through manual inspection of the acquired images. This approach is associated with a number of challenges. First, it is time-consuming - the clinician needs to scan through several slices of images to ascertain the region of interest before deciding on what severity grade to assign to a patient. Second, there is a high tendency for bias and inconsistency in the final grade assigned to a patient depending on the experience level of the clinician. We present a deep learning approach to predicting collateral flow grading in stroke patients based on radiomic features extracted from MR perfusion data. First, we formulate a region of interest detection task as a reinforcement learning problem and train a deep learning network to automatically detect the occluded region within the 3D MR perfusion volumes. Second, we extract radiomic features from the obtained region of interest through local image descriptors and denoising auto-encoders. Finally, we apply a convolutional neural network and other machine learning classifiers to the extracted radiomic features to automatically predict the collateral flow grading of the given patient volume as one of three severity classes - no flow (0), moderate flow (1), and good flow (2)...
• Abstract（参考訳）: 側方循環は、虚血性外傷による血流が損なわれている部位に酸素を供給できる特殊な無酸素流路から生じる。 副次循環の質は、良好な臨床結果の可能性を判断するための重要な要因として確立されており、脳卒中ケアモデルの選択を決定するには長い道のりをたどっている。 側方血流を定量化するための画像法やグレーティング基準はいくつか存在するが、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。 このアプローチは多くの課題と関連している。 まず、臨床医は患者にどの重症度を割り当てるかを決める前に、関心領域を確認するためにいくつかの画像のスライスをスキャンする必要がある。 第2に, 臨床医の体験レベルに応じて患者に割り当てられた最終学年では, バイアスや不整合の傾向が高い。 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。 まず,興味検出課題の領域を強化学習問題として定式化し,深層学習ネットワークを訓練し,3次元mr灌流ボリューム内のオクルード領域を自動的に検出する。 第2に, 局所画像記述子および雑音自動エンコーダを用いて, 得られた領域から放射能の特徴を抽出する。 最後に、convolutional neural network(畳み込みニューラルネットワーク)および他の機械学習分類器を抽出された放射線学的特徴に適用し、与えられた患者ボリュームの副次的フローグレーティングを、no flow (0)、premium flow (1)、good flow (2)の3つの重大クラスのうちの1つとして自動的に予測する。

関連論文リスト

• FeDETR: a Federated Approach for Stenosis Detection in Coronary Angiography [0.3823356975862007]
  冠動脈狭窄は心不全の根底にある因子である。 冠動脈病変の診断にはいくつかの欠点がある。 深層学習法は、FFR/iFR値の自動推定において、心臓科医を支援するために登場した。
  論文  参考訳（メタデータ） (2024-09-21T23:52:05Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks [0.0]
  X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。 左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
  論文  参考訳（メタデータ） (2021-03-04T11:45:54Z)
• A new approach to extracting coronary arteries and detecting stenosis in invasive coronary angiograms [9.733630514873376]
  我々は,ICAから冠状動脈を抽出する深層学習による自動アルゴリズムの開発を目指している。 本研究では, マルチインプットとマルチスケール(MIMS)のU-Netを2段階の繰り返し訓練戦略として提案した。 実験の結果,提案手法は平均diceスコア 0.8329, 平均感度 0.8281, 平均特異度 0.9979 となり, 73例から294 icasを得た。
  論文  参考訳（メタデータ） (2021-01-25T01:48:27Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• AIFNet: Automatic Vascular Function Estimation for Perfusion Analysis Using Deep Learning [0.0]
  デコンボリューション法は、臨床的に解釈可能な灌流パラメータを得るために用いられる。 AIFNetは、血管機能を推定するための、完全自動でエンドツーエンドのトレーニング可能なディープラーニングアプローチである。 我々は、AIFNetは、臨床転移の可能性があり、脱畳ソフトウェアに組み込むことができると結論付けた。
  論文  参考訳（メタデータ） (2020-10-04T16:14:45Z)
• Detecting Scatteredly-Distributed, Small, andCritically Important Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
  本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。 我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。 局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
  論文  参考訳（メタデータ） (2020-05-27T23:12:11Z)

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。