論文の概要: Generative Models for Reproducible Coronary Calcium Scoring
- arxiv url: http://arxiv.org/abs/2205.11967v1
- Date: Tue, 24 May 2022 10:59:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-26 01:44:44.451824
- Title: Generative Models for Reproducible Coronary Calcium Scoring
- Title（参考訳）: 再現性冠カルシウムスコアの生成モデル
- Authors: Sanne G.M. van Velzen, Bob D. de Vos, Julia M.H. Noothout, Helena M.
Verkooijen, Max A. Viergever, Ivana I\v{s}gum
- Abstract要約: 冠動脈カルシウム(CAC)スコアは、冠動脈疾患(CHD)の強い、独立した予測因子である。
CACスコアリングは、石灰化のセグメンテーションに一定の強度レベルしきい値を適用する必要があるという臨床的定義のために、限られたインタースキャンに悩まされる。
本稿では,CACのセグメンテーションのしきい値を必要としないCAC手法を提案する。
- 参考スコア（独自算出の注目度）: 3.1746159467221253
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Coronary artery calcium (CAC) score, i.e. the amount of CAC
quantified in CT, is a strong and independent predictor of coronary heart
disease (CHD) events. However, CAC scoring suffers from limited interscan
reproducibility, which is mainly due to the clinical definition requiring
application of a fixed intensity level threshold for segmentation of
calcifications. This limitation is especially pronounced in
non-ECG-synchronized CT where lesions are more impacted by cardiac motion and
partial volume effects. Therefore, we propose a CAC quantification method that
does not require a threshold for segmentation of CAC. Approach: Our method
utilizes a generative adversarial network where a CT with CAC is decomposed
into an image without CAC and an image showing only CAC. The method, using a
CycleGAN, was trained using 626 low-dose chest CTs and 514 radiotherapy
treatment planning CTs. Interscan reproducibility was compared to clinical
calcium scoring in radiotherapy treatment planning CTs of 1,662 patients, each
having two scans. Results: A lower relative interscan difference in CAC mass
was achieved by the proposed method: 47% compared to 89% manual clinical
calcium scoring. The intraclass correlation coefficient of Agatston scores was
0.96 for the proposed method compared to 0.91 for automatic clinical calcium
scoring. Conclusions: The increased interscan reproducibility achieved by our
method may lead to increased reliability of CHD risk categorization and
improved accuracy of CHD event prediction.
- Abstract（参考訳）: 目的:冠動脈カルシウム(CAC)スコア(CTで定量化されるCACの量)は、冠動脈疾患(CHD)の強力な、独立した予測因子である。
しかし、CACスコアリングは、石灰化のセグメンテーションに一定の強度レベル閾値を適用する必要があるという臨床的定義が主な原因で、限られた相互再現性に悩まされている。
この制限は非ECG同期CTでは特に顕著であり、病変は心臓運動や部分体積効果によってより影響を受けやすい。
そこで本研究では,CACのセグメンテーションのしきい値を必要としないCAC定量化手法を提案する。
アプローチ: 本手法では, CACのないCTを画像に分解し, CACのみを示す画像を生成する生成対向ネットワークを用いる。
この方法はCycleGANを用いて626個の低用量胸部CTと514個の放射線治療計画CTを用いて訓練した。
放射線治療を計画した1,662例のCT検査では,2例の検診を施行した。
結果】cac質量の相対的インタースカン差は47%で,手作業によるcacスコアは89%であった。
agatston スコアのクラス内相関係数は, 提案法で 0.96 であり, 臨床用カルシウム自動スコアでは 0.91 であった。
結論:本手法により,CHDリスク分類の信頼性が向上し,CHDイベント予測の精度が向上する可能性が示唆された。
関連論文リスト
- Artificial Intelligence-Based Opportunistic Coronary Calcium Screening in the Veterans Affairs National Healthcare System [0.8655790044415911]
冠動脈カルシウム (CAC) は心血管イベントの予測に有用である。
CACを非コントラスト非ゲートCTスキャンで定量化するディープラーニングアルゴリズムを開発した。
非ゲート型AI-CACは10年間の死亡率の予測であった。
論文 参考訳（メタデータ） (2024-09-16T03:59:01Z) - Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。
AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文 参考訳（メタデータ） (2024-03-27T16:56:14Z) - Pericoronary adipose tissue feature analysis in CT calcium score images
with comparison to coronary CTA [3.9387305699226087]
冠動脈周囲脂肪組織(PCAT)は重症心血管障害(MACE)と関連している
冠動脈CTカルシウムスコア(CCTA)から得られたPCATの特徴は心血管疾患のリスクと相関するが,ヨードが関与する可能性がある。
冠状動脈のPCAT特徴を解析するための新しい軸方向ディスク法を開発した。
論文 参考訳（メタデータ） (2024-01-28T03:25:38Z) - Automated Assessment of Critical View of Safety in Laparoscopic
Cholecystectomy [51.240181118593114]
胆嚢摘出術(胆嚢摘出術)は米国で最も一般的な手術の一つで、年間1.2万回以上の手術が施行されている。
LCは胆管損傷(BDI)の増加と関連しており、致死率と死亡率が高い。
本稿では,LCにおける安全性評価(CVS)の自動化を目的とした深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-09-13T22:01:36Z) - Neural network-based coronary dominance classification of RCA angiograms [0.3177496877224142]
右冠状動脈 (RCA) 血管造影による心臓支配の分類法を提案する。
対象は828例で,その内192例が左支配症例であった。
RCAのみに基づく心臓支配を分類するための機械学習アプローチの使用は、良好な精度で成功していることが示されている。
論文 参考訳（メタデータ） (2023-09-13T13:47:52Z) - Enhancing cardiovascular risk prediction through AI-enabled
calcium-omics [4.035300372916709]
冠動脈カルシウム(CAC)は大血管障害(MACE)の強力な予測因子である
詳細な石灰化特徴(カルシウムオミクス)を用いたAI手法が、MACE予測を改善することができるかどうかを判定する。
以上の結果から, リスク予測の改善にカルシウムオミクスが有効であることが示唆された。
論文 参考訳（メタデータ） (2023-08-23T16:05:14Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - 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) - Ensemble machine learning approach for screening of coronary heart
disease based on echocardiography and risk factors [19.076443235356873]
我々は,モデル積み重ねにより,多くの一般的な分類手法を統合する機械学習アプローチを開発した。
CHD分類の精度は,テストセットで約70%から87.7%に向上した。
論文 参考訳（メタデータ） (2021-05-20T11:04:58Z) - 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)
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。