論文の概要: CAD-RADS Scoring using Deep Learning and Task-Specific Centerline Labeling

• arxiv url: http://arxiv.org/abs/2202.03671v1
• Date: Tue, 8 Feb 2022 06:22:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-09 14:07:17.624595
• Title: CAD-RADS Scoring using Deep Learning and Task-Specific Centerline Labeling
• Title（参考訳）: 深層学習とタスク特化中心ラベリングを用いたCAD-RADSスコーリング
• Authors: Felix Denzinger, Michael Wels, Oliver Taubmann, Mehmet A. G\"uls\"un, Max Sch\"obinger, Florian Andr\'e, Sebastian J. Buss, Johannes G\"orich, Michael S\"uhling, Andreas Maier and Katharina Breininger
• Abstract要約: 臨床的には、冠動脈疾患(CAD)の重症度は冠動脈造影(CCTA)スキャンで評価されることが多い。 本稿では、タスク固有のディープラーニングアーキテクチャのための重大性に基づくラベル符号化、テスト時間拡張(TTA)、モデルアンサンブルを提案する。 受信機動作特性曲線(AUC)では,ルールアウトでは0.914から0.942に,ホールドアウトでは0.921から0.950に,それぞれ上昇することができた。
• 参考スコア（独自算出の注目度）: 5.854918673468336
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With coronary artery disease (CAD) persisting to be one of the leading causes of death worldwide, interest in supporting physicians with algorithms to speed up and improve diagnosis is high. In clinical practice, the severeness of CAD is often assessed with a coronary CT angiography (CCTA) scan and manually graded with the CAD-Reporting and Data System (CAD-RADS) score. The clinical questions this score assesses are whether patients have CAD or not (rule-out) and whether they have severe CAD or not (hold-out). In this work, we reach new state-of-the-art performance for automatic CAD-RADS scoring. We propose using severity-based label encoding, test time augmentation (TTA) and model ensembling for a task-specific deep learning architecture. Furthermore, we introduce a novel task- and model-specific, heuristic coronary segment labeling, which subdivides coronary trees into consistent parts across patients. It is fast, robust, and easy to implement. We were able to raise the previously reported area under the receiver operating characteristic curve (AUC) from 0.914 to 0.942 in the rule-out and from 0.921 to 0.950 in the hold-out task respectively.
• Abstract（参考訳）: 冠状動脈疾患(CAD)は、世界中の死因の1つであり続けており、診断のスピードアップと改善のためのアルゴリズムで医師を支援することへの関心が高い。 臨床的には、CADの重症度は冠状動脈造影(CCTA)スキャンで評価され、CAD-Reporting and Data System(CAD-RADS)スコアで手動で評価されることが多い。 このスコアが評価する臨床質問は、患者がcadを持っているか(ルールアウト)、深刻なcadを持っているか(ホールドアウト)である。 本研究では,CAD-RADS自動スコアリングのための最先端性能を実現する。 本稿では,タスク固有のディープラーニングアーキテクチャのための重度ラベル符号化,テスト時間拡張(TTA),モデルアンサンブルを提案する。 さらに,冠状木を患者間で一貫性のある部分に分割する新しいタスクおよびモデル特異的かつヒューリスティックな冠動脈セグメントラベル法を提案する。 高速で、堅牢で、実装も簡単です。 受信機動作特性曲線(AUC)では,ルールアウトでは0.914から0.942に,ホールドアウトでは0.921から0.950に,それぞれ上昇することができた。

関連論文リスト

• CADICA: a new dataset for coronary artery disease detection by using invasive coronary angiography [1.5404452377809545]
  冠状動脈疾患(CAD)は、今でも世界中で死因となっている。 深層学習分類法は医用画像の他の領域でよく開発されている。 最も重要な理由の1つは、可用性と高品質なオープンアクセスデータセットの欠如である。
  論文  参考訳（メタデータ） (2024-02-01T13:03:13Z)
• Multitask Deep Learning for Accurate Risk Stratification and Prediction of Next Steps for Coronary CT Angiography Patients [26.50934421749854]
  リスク階層化と下流テスト選択を支援するマルチタスク深層学習モデルを提案する。 提案手法は,CADのリスク層化において0.76AUC,下流試験では0.72AUCの受信機動作特性を持つCurve(AUC)のエリアを達成した。
  論文  参考訳（メタデータ） (2023-09-01T08:34:13Z)
• How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
  プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。 この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
  論文  参考訳（メタデータ） (2023-08-17T20:40:30Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• CAD-RADS scoring of coronary CT angiography with Multi-Axis Vision Transformer: a clinically-inspired deep learning pipeline [0.5366236361669898]
  本研究は、冠状動脈疾患スクリーニングのための意思決定支援システムとして使用される完全自動化され、視覚的に説明可能なディープラーニングパイプラインを提案する。 The pipeline pre-processs multiplanar projections of the coronary artery, extract from the original Coronary Computed Tomography Angiography (CCTA) 3大冠動脈の2次元縦断断面をチャネル次元に沿って重ねることで、患者当たりのスコアを割り当てるように訓練されている。
  論文  参考訳（メタデータ） (2023-04-14T17:41:07Z)
• RoS-KD: A Robust Stochastic Knowledge Distillation Approach for Noisy Medical Imaging [67.02500668641831]
  ノイズの多いデータセットでトレーニングされたディープラーニングモデルは、ノイズタイプに敏感であり、目に見えないサンプルの一般化が少なくなる。 本稿では,複数の情報源からトピックを学習する概念を模倣したロバスト知識蒸留(RoS-KD)フレームワークを提案する。 RoS-KDは、訓練データの重複する部分集合について訓練された複数の教師から知識を蒸留することにより、滑らかで、よく表現された、堅牢な学生多様体を学習する。
  論文  参考訳（メタデータ） (2022-10-15T22:32:20Z)
• Transformer Network for Significant Stenosis Detection in CCTA of Coronary Arteries [7.751285032094124]
  本稿では,重要な狭窄を自動的に検出するためのTransformer Network(TR-Net)を提案する。 意味情報シーケンスを解析することにより、TR-Netは、MPR(Multiplanar reformatted)画像の各位置における画像情報間の関係を完全に理解することができる。 我々の TR-Net は ACC (0.92), Spec (0.96), PPV (0.84), F1 (0.79) および MCC (0.74) の指標において, 最先端の手法と比較してよい結果を得た。
  論文  参考訳（メタデータ） (2021-07-07T06:27:52Z)
• Collaborative residual learners for automatic icd10 prediction using prescribed medications [45.82374977939355]
  本稿では,処方用データのみを用いたicd10符号の自動予測のための協調残差学習モデルを提案する。 平均精度0.71および0.57のマルチラベル分類精度、F1スコア0.57および0.38の0.73および0.44の精度を取得し、患者および外来データセットの主診断をそれぞれ予測します。
  論文  参考訳（メタデータ） (2020-12-16T07:07:27Z)
• Automatic CAD-RADS Scoring Using Deep Learning [5.789689435835229]
  The CAD-Reporting and Data System (CAD-RADS) has developed to standardize communication and help in decision making based on CCTA findings。 CAD-RADSスコアは, 冠状動脈内病変の経時的評価と, 冠状動脈内病変の経時的評価によって決定される。 本稿では,冠状動脈の分節的表現に基づく深層学習を用いて,このスコアの完全自動予測のためのボトムアップ手法を提案する。
  論文  参考訳（メタデータ） (2020-10-05T12:48:15Z)
• Automated Intracranial Artery Labeling using a Graph Neural Network and Hierarchical Refinement [45.85443690049826]
  属性付きリレーショナルグラフにおけるノードとエッジのタイプを分類し,動脈をラベル付けするグラフニューラルネットワーク(GNN)手法を提案する。 我々の手法は97.5%の精度でノードラベリングを行い、63.8%のスキャンはウィリスのすべてのノードに対して正しくラベル付けされた。
  論文  参考訳（メタデータ） (2020-07-11T06:22:35Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。