論文の概要: Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection

• arxiv url: http://arxiv.org/abs/2205.02848v1
• Date: Thu, 5 May 2022 10:31:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-09 12:39:33.349584
• Title: Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection
• Title（参考訳）: 脳構築:大血管閉塞検出におけるデータ拡張のためのサブボリューム組換え
• Authors: Florian Thamm and Oliver Taubmann and Markus J\"urgens and Aleksandra Thamm and Felix Denzinger and Leonhard Rist and Hendrik Ditt and Andreas Maier
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 56.67577446132946
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ischemic strokes are often caused by large vessel occlusions (LVOs), which can be visualized and diagnosed with Computed Tomography Angiography scans. As time is brain, a fast, accurate and automated diagnosis of these scans is desirable. Human readers compare the left and right hemispheres in their assessment of strokes. A large training data set is required for a standard deep learning-based model to learn this strategy from data. As labeled medical data in this field is rare, other approaches need to be developed. To both include the prior knowledge of side comparison and increase the amount of training data, we propose an augmentation method that generates artificial training samples by recombining vessel tree segmentations of the hemispheres or hemisphere subregions from different patients. The subregions cover vessels commonly affected by LVOs, namely the internal carotid artery (ICA) and middle cerebral artery (MCA). In line with the augmentation scheme, we use a 3D-DenseNet fed with task-specific input, fostering a side-by-side comparison between the hemispheres. Furthermore, we propose an extension of that architecture to process the individual hemisphere subregions. All configurations predict the presence of an LVO, its side, and the affected subregion. We show the effect of recombination as an augmentation strategy in a 5-fold cross validated ablation study. We enhanced the AUC for patient-wise classification regarding the presence of an LVO of all investigated architectures. For one variant, the proposed method improved the AUC from 0.73 without augmentation to 0.89. The best configuration detects LVOs with an AUC of 0.91, LVOs in the ICA with an AUC of 0.96, and in the MCA with 0.91 while accurately predicting the affected side.
• Abstract（参考訳）: 虚血性脳梗塞はしばしば大血管閉塞(LVO)によって引き起こされる。 時が経つにつれて、これらのスキャンの迅速かつ正確かつ自動化された診断が望ましい。 人間の読者は脳卒中の評価において左右の半球を比較する。 標準のディープラーニングベースのモデルがデータからこの戦略を学ぶためには、大規模なトレーニングデータセットが必要である。 この分野でのラベル付き医療データは稀であり、他の手法の開発が必要である。 側方比較の事前知識とトレーニングデータ量の増加を両立させるため, 異なる患者から, 血管木セグメントや半球サブリージョンを再結合することにより, 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。 サブリージョンは、lvo(内頸動脈(ica)と中大脳動脈(mca)によって一般的に影響を受ける血管をカバーしている。 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。 さらに,各半球サブリージョンを処理するためのアーキテクチャの拡張を提案する。 すべての構成は、LOV、その側、および影響を受けるサブリージョンの存在を予測する。 本研究は,5倍のクロスアブレーション実験において,組換えが拡張戦略としての効果を示す。 本研究は,全アーキテクチャのLVOの有無を患者に分類するためのAUCを拡張した。 1つの変種に対して、提案手法はAUCを0.73から0.89に改善した。 最良の構成は、AUCが0.91で、ICAが0.96で、MCAが0.91で、影響を受ける側を正確に予測する。

関連論文リスト

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• DeepVox and SAVE-CT: a contrast- and dose-independent 3D deep learning approach for thoracic aorta segmentation and aneurysm prediction using computed tomography scans [2.3135717943756307]
  胸部大動脈瘤(英: Thoracic aortic aneurysm,TAA)は、大動脈の進行拡大による解離や破裂を引き起こす致命的な疾患である。 その他の指標は、このスクリーニングに役立つが、コントラスト増強や低用量プロトコールを伴わずに取得すれば、臨床評価が困難になる可能性がある。 本研究は, 対照群とTAA患者を含む587種類のCTスキャンを, コントラスト増強の有無にかかわらず低線量および標準線量プロトコールで取得した。 新たなセグメンテーションモデルであるDeepVoxは,開発およびテストセットに対してそれぞれ0.932と0.897のダイススコア係数を示した。
  論文  参考訳（メタデータ） (2023-10-23T19:48:58Z)
• Enhancing Hierarchical Transformers for Whole Brain Segmentation with Intracranial Measurements Integration [22.34212938866075]
  我々は、UNesTを全脳セグメントに拡張し、133のクラスとTICV/PFVラベルを同時にセグメント化する。 本モデルでは,132脳領域の性能を同等に維持しながら,正確なTICV/PFV推定を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-09-08T02:05:03Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Deep Learning for Segmentation-based Hepatic Steatosis Detection on Open Data: A Multicenter International Validation Study [5.117364766785943]
  この3段階のAIワークフローは、3D肝セグメンテーション、肝減衰測定、肝脂肪症検出からなる。 ディープラーニングセグメンテーションの平均係数は0.957。 普遍的な検出に採用されれば、このディープラーニングシステムは、早期に非侵襲的で非薬学的な予防的介入を可能にする可能性がある。
  論文  参考訳（メタデータ） (2022-10-27T03:24:52Z)
• Detection of Large Vessel Occlusions using Deep Learning by Deforming Vessel Tree Segmentations [5.408694811103598]
  この研究は、船体木分割マスクの弾性変形で訓練されたケースレベルの分類に畳み込みニューラルネットワークを使用し、トレーニングデータを人工的に増強する。 ニューラルネットワークは、LVOと影響を受ける半球の存在を分類する。 5倍のクロス検証アブレーション実験において,提案手法を用いることで,少数のデータセットからでも頑健なモデルを訓練できることが実証された。
  論文  参考訳（メタデータ） (2021-12-03T09:07:29Z)
• LIFE: A Generalizable Autodidactic Pipeline for 3D OCT-A Vessel Segmentation [5.457168581192045]
  最近のディープラーニングアルゴリズムは、有望な血管セグメンテーションの結果を生み出した。 しかし、手動による注記データがないため、3D網膜血管セグメンテーションは依然として困難である。 自己合成モダリティのみによって教師される学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-07-09T07:51:33Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• 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)

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。