論文の概要: Automated cross-sectional view selection in CT angiography of aortic
dissections with uncertainty awareness and retrospective clinical annotations
- arxiv url: http://arxiv.org/abs/2111.11269v1
- Date: Mon, 22 Nov 2021 15:11:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-23 14:52:30.936642
- Title: Automated cross-sectional view selection in CT angiography of aortic
dissections with uncertainty awareness and retrospective clinical annotations
- Title（参考訳）: 不確実性認識と回顧的臨床注釈を伴う大動脈解離のct angiographyにおける横断的ビューの自動選択
- Authors: Antonio Pepe and Jan Egger and Marina Codari and Martin J. Willemink
and Christina Gsaxner and Jianning Li and Peter M. Roth and Gabriel
Mistelbauer and Dieter Schmalstieg and Dominik Fleischmann
- Abstract要約: この作業を容易にするために,クリニックで日常的に手動のアノテーションを効率的に利用する方法を示す。
Ill-posed but repeatitive imaging tasks can be easier or automated by leverage of imperfect, retrospective clinical annotations。
- 参考スコア（独自算出の注目度）: 11.415942647070796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Surveillance imaging of chronic aortic diseases, such as
dissections, relies on obtaining and comparing cross-sectional diameter
measurements at predefined aortic landmarks, over time. Due to a lack of robust
tools, the orientation of the cross-sectional planes is defined manually by
highly trained operators. We show how manual annotations routinely collected in
a clinic can be efficiently used to ease this task, despite the presence of a
non-negligible interoperator variability in the measurements.
Impact: Ill-posed but repetitive imaging tasks can be eased or automated by
leveraging imperfect, retrospective clinical annotations.
Methodology: In this work, we combine convolutional neural networks and
uncertainty quantification methods to predict the orientation of such
cross-sectional planes. We use clinical data randomly processed by 11 operators
for training, and test on a smaller set processed by 3 independent operators to
assess interoperator variability.
Results: Our analysis shows that manual selection of cross-sectional planes
is characterized by 95% limits of agreement (LOA) of $10.6^\circ$ and
$21.4^\circ$ per angle. Our method showed to decrease static error by
$3.57^\circ$ ($40.2$%) and $4.11^\circ$ ($32.8$%) against state of the art and
LOA by $5.4^\circ$ ($49.0$%) and $16.0^\circ$ ($74.6$%) against manual
processing.
Conclusion: This suggests that pre-existing annotations can be an inexpensive
resource in clinics to ease ill-posed and repetitive tasks like cross-section
extraction for surveillance of aortic dissections.
- Abstract（参考訳）: 目的: 解離などの慢性大動脈疾患のサーベイランスイメージングは、事前に定義された大動脈のランドマークにおける断面径の測定と比較に時間をかけて頼っている。
ロバストなツールがないため、断面平面の向きは高度に訓練されたオペレータによって手動で定義される。
本研究は,非無視的な操作間変動が存在するにもかかわらず,クリニックで日常的に手動でアノテーションを収集し,この作業を容易にする方法を示す。
影響:不完全でふりかえりの臨床的アノテーションを利用することで、不適切だが反復的なイメージングタスクを楽にしたり自動化したりできる。
方法論: 本研究では, 畳み込みニューラルネットワークと不確実な定量化手法を組み合わせて, 断面面の向きを予測する。
我々は,11人のオペレーターがランダムに処理した臨床データを用いて,3人の独立したオペレーターが処理したより小さなセットを用いて,操作間変動を評価する。
結果: 断面平面の手動選択は, 1角あたり10.6^\circ$と21.4^\circ$の95%の制限値(loa)で特徴づけられる。
本手法では, 静的誤差を3.57^\circ$(40.2$%), 4.11^\circ$(32.8$%), LOAは5.4^\circ$(49.0$%), 16.0^\circ$(74.6$%)で低減した。
結論: 既存のアノテーションは, 大動脈解離監視のための断面積抽出などの不正かつ反復的な作業を容易にするために, 診療所において安価な資源となる可能性が示唆された。
関連論文リスト
- Quality assurance of organs-at-risk delineation in radiotherapy [7.698565355235687]
放射線治療計画において,腫瘍標的と臓器の脱線は重要である。
自動セグメンテーションの品質保証は、まだ臨床実践において必要ではない。
提案手法は,一級分類フレームワークにおける残差ネットワークとアテンション機構を導入し,様々な種類のOAR輪郭誤差を高精度に検出することができた。
論文 参考訳（メタデータ） (2024-05-20T02:32:46Z) - Automated Identification of Failure Cases in Organ at Risk Segmentation
Using Distance Metrics: A Study on CT Data [0.19661503834671132]
オートマチック・オルガン・アット・リスク(OAR)セグメンテーションはCTスキャンにおける放射線治療計画に不可欠である。
本稿では,Dice と Hausdorff 距離の組み合わせのしきい値を設定することで,障害事例を自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2023-08-21T11:14:49Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Adversarial Transformer for Repairing Human Airway Segmentation [7.176060570019899]
本稿では,従来のCT画像とともに事前分割を行い,気道構造の精細化マスクを出力するパッチスケール対向型精細化ネットワークを提案する。
その結果, 7つの測定値から定量的に評価し, 検出された長さ比と検出された枝比の15%以上を達成できた。
論文 参考訳（メタデータ） (2022-10-21T15:20:08Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - 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) - Systematic Clinical Evaluation of A Deep Learning Method for Medical
Image Segmentation: Radiosurgery Application [48.89674088331313]
3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。
本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-21T16:15:40Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳（メタデータ） (2021-06-04T09:51:27Z) - 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) - Assisted Probe Positioning for Ultrasound Guided Radiotherapy Using
Image Sequence Classification [55.96221340756895]
前立腺外照射療法における経皮的超音波画像誘導は, 患者設定中の各セッションにおけるプローブと前立腺の整合性を必要とする。
本研究では,画像とプローブ位置データの共同分類により,高精度なプローブ配置を確保する方法を示す。
マルチ入力マルチタスクアルゴリズムを用いて、光学的追跡された超音波プローブからの空間座標データを、繰り返しニューラルネットワークを用いて画像クラスシファイアと組み合わせ、リアルタイムで2セットの予測を生成する。
このアルゴリズムは平均(標準偏差)3.7$circ$ (1.2$circ$)の範囲内で最適なプローブアライメントを同定する。
論文 参考訳（メタデータ） (2020-10-06T13:55:02Z) - 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)
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。