論文の概要: AI-based Medical e-Diagnosis for Fast and Automatic Ventricular Volume
Measurement in the Patients with Normal Pressure Hydrocephalus
- arxiv url: http://arxiv.org/abs/2202.00650v1
- Date: Mon, 31 Jan 2022 14:55:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-02 15:39:29.547323
- Title: AI-based Medical e-Diagnosis for Fast and Automatic Ventricular Volume
Measurement in the Patients with Normal Pressure Hydrocephalus
- Title（参考訳）: 正常圧水頭症患者の高速自動心室容積測定のためのaiによるe-diagnosis
- Authors: Xi Zhou, Qinghao Ye, Xiaolin Yang, Jiakuan Chen, Haiqin Ma, Jun Xia,
Javier Del Ser, Guang Yang
- Abstract要約: 機械学習を用いて特徴を抽出し,自動心室分割モデルを構築する。
モデルの信頼性を検証し,心室容積の自動測定を実現した。
これにより、臨床医はNPH患者の心室の状況を迅速かつ正確に理解することができる。
- 参考スコア（独自算出の注目度）: 15.004831813437734
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Based on CT and MRI images acquired from normal pressure hydrocephalus (NPH)
patients, using machine learning methods, we aim to establish a multi-modal and
high-performance automatic ventricle segmentation method to achieve efficient
and accurate automatic measurement of the ventricular volume. First, we extract
the brain CT and MRI images of 143 definite NPH patients. Second, we manually
label the ventricular volume (VV) and intracranial volume (ICV). Then, we use
machine learning method to extract features and establish automatic ventricle
segmentation model. Finally, we verify the reliability of the model and
achieved automatic measurement of VV and ICV. In CT images, the Dice similarity
coefficient (DSC), Intraclass Correlation Coefficient (ICC), Pearson
correlation, and Bland-Altman analysis of the automatic and manual segmentation
result of the VV were 0.95, 0.99, 0.99, and 4.2$\pm$2.6 respectively. The
results of ICV were 0.96, 0.99, 0.99, and 6.0$\pm$3.8 respectively. The whole
process takes 3.4$\pm$0.3 seconds. In MRI images, the DSC, ICC, Pearson
correlation, and Bland-Altman analysis of the automatic and manual segmentation
result of the VV were 0.94, 0.99, 0.99, and 2.0$\pm$0.6 respectively. The
results of ICV were 0.93, 0.99, 0.99, and 7.9$\pm$3.8 respectively. The whole
process took 1.9$\pm$0.1 seconds. We have established a multi-modal and
high-performance automatic ventricle segmentation method to achieve efficient
and accurate automatic measurement of the ventricular volume of NPH patients.
This can help clinicians quickly and accurately understand the situation of NPH
patient's ventricles.
- Abstract（参考訳）: 正常圧水頭症 (NPH) 患者のCTおよびMRI画像から, 機械学習を用いて, 心室容積の効率的かつ正確な自動測定を実現するために, マルチモーダル, 高性能自動心室分割法を確立することを目的とする。
まず,143名のNPH患者の頭部CT像とMRI像を抽出した。
第2に,心室容積 (VV) と頭蓋内容積 (ICV) を手動でラベル付けした。
そして,機械学習を用いて特徴を抽出し,自動心室分割モデルを構築する。
最後に,モデルの信頼性を検証し,vvおよびicvの自動測定を行った。
CT画像のDice類似係数(DSC)、ICC(ICC)、ピアソン相関(Pearson correlation)、Bland-Altman分析(Bland-Altman analysis)はそれぞれ0.95, 0.99, 0.99, 4.2$\pm$2.6であった。
ICVは0.96、0.99、0.99、および6.0$\pm$3.8であった。
全プロセスは3.4$\pm$0.3秒かかる。
MRI画像では, DSC, ICC, Pearson 相関, Bland-Altman による VV 自動区分けの結果は0.94, 0.99, 0.99, 2.0$\pm$0.6 であった。
icvの結果は0.93, 0.99, 0.99, 7.9$\pm$3.8であった。
プロセス全体は1.9$\pm$0.1秒であった。
我々は,NPH患者の心室容積の効率的かつ正確な自動計測を実現するために,多変量自動心室分画法を確立した。
これにより、臨床医はNPH患者の心室の状況を迅速かつ正確に理解することができる。
関連論文リスト
- Automated Measurement of Vascular Calcification in Femoral
Endarterectomy Patients Using Deep Learning [0.09999629695552192]
大きな動脈に影響を及ぼす慢性炎症性疾患である動脈硬化症は、世界的な健康リスクをもたらす。
深層学習モデルを用いて血管系をCT画像(CTA)に分類した。
大動脈から膝蓋骨への分節動脈におけるDiceの精度は平均83.4%,最先端は0.8%向上した。
論文 参考訳（メタデータ） (2023-11-27T16:47:09Z) - Label-free segmentation from cardiac ultrasound using self-supervised
learning [0.6906005491572401]
コンピュータビジョン,臨床領域知識,深層学習を用いた自己教師型(手動ラベルなし)セグメンテーションのためのパイプラインを構築した。
8,393枚の心エコー画像(4,476,266枚,平均61年,女性51%)を用いて,450枚の心エコー画像(93,000枚)をトレーニングし,生体計測値の算出を行った。
本研究は,超音波からのセグメンテーションのための手動ラベルフリー,臨床的に有効な,高度にスケーラブルな方法であることを示す。
論文 参考訳（メタデータ） (2022-10-10T19:27:37Z) - 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) - 3D Structural Analysis of the Optic Nerve Head to Robustly Discriminate
Between Papilledema and Optic Disc Drusen [44.754910718620295]
我々は3次元光コヒーレンストモグラフィー(OCT)スキャンで視神経頭部(ONH)の組織構造を同定する深層学習アルゴリズムを開発した。
1: ODD, 2: papilledema, 3: healthy) の分類を150 OCTボリュームで行うように設計した。
われわれのAIアプローチは,1本のCTスキャンを用いて,パピレデマからODDを正確に識別する。
論文 参考訳（メタデータ） (2021-12-18T17:05:53Z) - Towards Fully Automated Segmentation of Rat Cardiac MRI by Leveraging
Deep Learning Frameworks [1.6020567943077142]
我々は,標準的なU-Netアーキテクチャ上に拡張されたセグメンテーションモデルを開発し,シストール相とダイアストル相の別々のモデルを評価する。
ガウス過程を1MSAに適用することで、シストールとジアストールの選択を自動化できる。
論文 参考訳（メタデータ） (2021-09-09T11:48:50Z) - 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) - Automated Segmentation and Volume Measurement of Intracranial Carotid
Artery Calcification on Non-Contrast CT [8.988312874456371]
Rotterdam Studyでは,2人の観察者が2319名(平均年齢69歳,女性1154名)の非造影CTで頭蓋内頸動脈石灰化(ICAC)を手動で測定した。
ICACデラインの自動化とボリューム測定のための深層学習に基づく手法を, 振り返って開発し, 検証した。
論文 参考訳（メタデータ） (2021-07-20T12:21:45Z) - Fully Automated Mitral Inflow Doppler Analysis Using Deep Learning [0.0]
エコー法で取得したMIドップラー画像のラベル付けに深層学習を利用する完全自動化ワークフローを提案する。
MIドップラー画像を含む24種類の画像クラスを予測するため,140例の5544画像に対して,様々な畳み込みニューラルネットワーク(CNN)モデルを訓練した。
論文 参考訳（メタデータ） (2020-11-24T22:27:14Z) - 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) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z) - Lung Infection Quantification of COVID-19 in CT Images with Deep
Learning [41.35413216175024]
深層学習システムは、関心のある感染症領域を自動的に定量化するために開発された。
感染領域分割のための放射線科医を支援するためのループ内ヒト戦略
論文 参考訳（メタデータ） (2020-03-10T11:58:40Z)
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。