論文の概要: Leveraging Clinically Relevant Biometric Constraints To Supervise A Deep
Learning Model For The Accurate Caliper Placement To Obtain Sonographic
Measurements Of The Fetal Brain
- arxiv url: http://arxiv.org/abs/2203.14482v1
- Date: Mon, 28 Mar 2022 04:00:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-30 07:24:10.578618
- Title: Leveraging Clinically Relevant Biometric Constraints To Supervise A Deep
Learning Model For The Accurate Caliper Placement To Obtain Sonographic
Measurements Of The Fetal Brain
- Title(参考訳): 臨床関連バイオメトリクスの制約を活用して胎児脳の超音波計測を正確に行うための深層学習モデル
- Authors: H Shankar, A Narayan, S Jain, D Singh, P Vyas, N Hegde, P Kar, A Lad,
J Thang, J Atada, D Nguyen, PS Roopa, A Vasudeva, P Radhakrishnan, S Devalla
- Abstract要約: 経小脳平面(TC)の2次元USG画像から3つの重要な胎児脳バイオメトリーを計算するための深層学習(DL)手法を提案する。
U-Net DLモデルの精度を向上させるために,臨床的に関連するバイオメトリック制約(校正点間の関連性)とドメイン関連データ拡張を利用した。
いずれの場合も、個々のカリパーポイントの配置における平均誤差と計算されたバイオメトリーは、臨床医の誤差率に匹敵するものであった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Multiple studies have demonstrated that obtaining standardized fetal brain
biometry from mid-trimester ultrasonography (USG) examination is key for the
reliable assessment of fetal neurodevelopment and the screening of central
nervous system (CNS) anomalies. Obtaining these measurements is highly
subjective, expertise-driven, and requires years of training experience,
limiting quality prenatal care for all pregnant mothers. In this study, we
propose a deep learning (DL) approach to compute 3 key fetal brain biometry
from the 2D USG images of the transcerebellar plane (TC) through the accurate
and automated caliper placement (2 per biometry) by modeling it as a landmark
detection problem. We leveraged clinically relevant biometric constraints
(relationship between caliper points) and domain-relevant data augmentation to
improve the accuracy of a U-Net DL model (trained/tested on: 596 images, 473
subjects/143 images, 143 subjects). We performed multiple experiments
demonstrating the effect of the DL backbone, data augmentation,
generalizability and benchmarked against a recent state-of-the-art approach
through extensive clinical validation (DL vs. 7 experienced clinicians). For
all cases, the mean errors in the placement of the individual caliper points
and the computed biometry were comparable to error rates among clinicians. The
clinical translation of the proposed framework can assist novice users from
low-resource settings in the reliable and standardized assessment of fetal
brain sonograms.
- Abstract(参考訳): 複数の研究により、中トリメスター超音波検査(USG)から標準化された胎児脳バイオメトリを得ることが、胎児神経発達の確実な評価と中枢神経系(CNS)異常のスクリーニングの鍵であることが示されている。
これらの測定値を得るには、非常に主観的で専門的であり、妊娠中の母親の質の高い出生前ケアを制限し、長年の訓練経験を必要とする。
本研究では,超小脳平面(tc)の2次元usg画像から,それをランドマーク検出問題としてモデル化し,高精度かつ自動キャリパー配置(バイオメトリー当たり2回)まで,3つの重要な胎児脳バイオメトリを計算するための深層学習(dl)手法を提案する。
u-net dlモデルの精度を向上させるために, 臨床関連バイオメトリック制約(校正点間の関係)とドメイン関連データ拡張を活用し, 596 画像, 473 被験者/143 画像, 143 被験者)を行った。
我々は, DLバックボーン, データ拡張, 一般化性の効果を実証し, 広範囲な臨床検査 (DL vs. 7) による最近の最先端アプローチに対するベンチマークを行った。
いずれの場合においても、個々の校正点の配置における平均誤差と計算バイオメトリーは、臨床医の誤差率に匹敵するものであった。
提案フレームワークの臨床的翻訳は, 胎児脳超音波検査の信頼性および標準化評価において, 低リソース環境の初心者ユーザを支援する。
関連論文リスト
- FetMRQC: an open-source machine learning framework for multi-centric
fetal brain MRI quality control [33.97036144360145]
本稿では,自動画像品質評価と品質管理のためのオープンソースの機械学習フレームワークFetMRQCを提案する。
FetMRQCは、未処理の解剖学的MRIから品質指標のアンサンブルを抽出し、それらを組み合わせて専門家のレーティングを予測する。
我々は、1600以上の胎児脳T2強調画像からなる、先駆的に大きく多様なデータセット上で、我々のフレームワークを検証する。
論文 参考訳(メタデータ) (2023-11-08T15:59:41Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳(メタデータ) (2023-08-31T00:36:10Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Ultrasound Plane Pose Regression: Assessing Generalized Pose Coordinates
in the Fetal Brain [9.465965149145559]
我々は,センサを付加することなく,3次元可視化,トレーニング,ガイダンスのための米国の航空機ローカライゼーションシステムを構築することを目指している。
この研究は、胎児の脳をスライスする米国飛行機の6次元(6次元)のポーズを予測する、これまでの研究に基づいています。
トレーニングおよびテストデータにおける登録品質の影響とその後のトレーニングモデルへの影響について検討する。
論文 参考訳(メタデータ) (2023-01-19T21:16:36Z) - Towards A Device-Independent Deep Learning Approach for the Automated
Segmentation of Sonographic Fetal Brain Structures: A Multi-Center and
Multi-Device Validation [0.0]
胎児脳USG画像(2D)から得られた2軸平面から10個の重要な胎児脳構造の自動分割のためのDLベースセグメンテーションフレームワークを提案する。
提案するDLシステムは,有望かつ汎用的な性能(マルチセンタ,マルチデバイス)を提供し,画像品質のデバイスによる変動を支持する証拠を提示する。
論文 参考訳(メタデータ) (2022-02-28T05:42:03Z) - Statistical Dependency Guided Contrastive Learning for Multiple Labeling
in Prenatal Ultrasound [56.631021151764955]
標準平面認識は出生前超音波(US)スクリーニングにおいて重要な役割を担っている。
我々は,複数の標準平面と対応する解剖学的構造を同時に識別する,新しいマルチラベル学習手法を構築した。
論文 参考訳(メタデータ) (2021-08-11T06:39:26Z) - AutoFB: Automating Fetal Biometry Estimation from Standard Ultrasound
Planes [10.745788530692305]
提案したフレームワークは、最先端のセグメンテーションモデルを用いて、重要な胎児解剖を意味的にセグメンテーションする。
その結果, セグメンテーション性能のよいネットワークは, バイオメトリ推定においてより正確であることが示唆された。
論文 参考訳(メタデータ) (2021-07-12T08:42:31Z) - 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) - 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) - Hybrid Attention for Automatic Segmentation of Whole Fetal Head in
Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。
セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。
次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文 参考訳(メタデータ) (2020-04-28T14:43:05Z)
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。