論文の概要: Detecting Pulmonary Embolism from Computed Tomography Using Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2206.01344v1
• Date: Fri, 3 Jun 2022 00:01:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-06 14:04:36.127163
• Title: Detecting Pulmonary Embolism from Computed Tomography Using Convolutional Neural Network
• Title（参考訳）: 畳み込みニューラルネットワークを用いたCTによる肺塞栓の検出
• Authors: Chia-Hung Yang, Yun-Chien Cheng, Chin Kuo
• Abstract要約: 本研究は, 畳み込みニューラルネットワークを用いて胸部CT画像を取得する全症例において, 肺塞栓症を検出するための深層学習手法を提案する。 肺塞栓症検出システムにより, 肺塞栓症とCT像の同時検出が可能となった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The clinical symptoms of pulmonary embolism (PE) are very diverse and non-specific, which makes it difficult to diagnose. In addition, pulmonary embolism has multiple triggers and is one of the major causes of vascular death. Therefore, if it can be detected and treated quickly, it can significantly reduce the risk of death in hospitalized patients. In the detection process, the cost of computed tomography pulmonary angiography (CTPA) is high, and angiography requires the injection of contrast agents, which increase the risk of damage to the patient. Therefore, this study will use a deep learning approach to detect pulmonary embolism in all patients who take a CT image of the chest using a convolutional neural network. With the proposed pulmonary embolism detection system, we can detect the possibility of pulmonary embolism at the same time as the patient's first CT image, and schedule the CTPA test immediately, saving more than a week of CT image screening time and providing timely diagnosis and treatment to the patient.
• Abstract（参考訳）: 肺塞栓症(pe)の臨床症状は非常に多様で非特異的であり、診断が困難である。 加えて、肺塞栓症は複数のトリガーを持ち、血管死の主要な原因の1つである。 したがって、迅速かつ迅速に検出・治療できれば、入院患者の死亡リスクを著しく低減することができる。 検出プロセスではCTPA(CTPA)のコストが高く,造影剤を投与する必要があるため,患者にダメージを与える恐れがある。 そこで本研究では, 畳み込みニューラルネットワークを用いて胸部CT像を撮影するすべての症例において, 肺塞栓症を検出するための深層学習アプローチを提案する。 肺塞栓症検出システムを用いて,患者の第1のCT画像と同時に肺塞栓症の可能性を検出し,CTPA検査を即時実施し,1週間以上のCT画像スクリーニング時間を節約し,タイムリーな診断と治療を行う。

関連論文リスト

• Anatomically aware dual-hop learning for pulmonary embolism detection in CT pulmonary angiograms [8.112976210963243]
  本稿では,コンピュータビジョンと深部ニューラルネットワークを効果的に組み合わせ,肺塞栓症検出のためのディープラーニングベースのアプローチを提案する。 本手法は, 解剖学的構造の自動検出, 2) 解剖学的事前訓練, 神経学, 3) PE検出のための二重ホップディープネットの3つの軸に沿って, 新規な改良を特徴とする。
  論文  参考訳（メタデータ） (2023-03-30T17:58:52Z)
• Computerized Tomography Pulmonary Angiography Image Simulation using Cycle Generative Adversarial Network from Chest CT imaging in Pulmonary Embolism Patients [0.0]
  本研究の目的は,肺塞栓症診断のためのCTPA画像を作成するシステムを開発することである。 本研究は, 深層学習ネットワークを用いた肺塞栓症の臨床診断への新たなアプローチを提案することを目的としている。
  論文  参考訳（メタデータ） (2022-05-17T06:02:33Z)
• Improving Tuberculosis (TB) Prediction using Synthetically Generated Computed Tomography (CT) Images [0.17499351967216337]
  肺感染症はCT(Computed tomography)スキャンで診断され評価されることが多い。 異なるタイプの撮像方法であるX線は安価で、しばしばベッドサイドで利用でき、より広く利用することができるが、よりシンプルで2次元の画像を提供する。 我々は,X線画像からCT画像を生成することを学習するモデルに頼って,疾患の自動分類精度を向上させることができることを示す。
  論文  参考訳（メタデータ） (2021-09-23T16:35:15Z)
• Attention based CNN-LSTM Network for Pulmonary Embolism Prediction on Chest Computed Tomography Pulmonary Angiograms [22.62583095023903]
  肺塞栓症(PE)は最も致命的な心血管疾患の一つである。 PE予測のための2段階注目型CNN-LSTMネットワークを提案する。 本フレームワークはマルチスライス手法を用いて放射線診断プロセスのミラーリングを行う。
  論文  参考訳（メタデータ） (2021-07-13T17:58:15Z)
• COVID-19 Detection from Chest X-ray Images using Imprinted Weights Approach [67.05664774727208]
  胸部X線撮影は、COVID-19の代替スクリーニング方法です。 コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。 この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
  論文  参考訳（メタデータ） (2021-05-04T19:01:40Z)
• Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
  肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。 胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
  論文  参考訳（メタデータ） (2021-03-06T02:16:41Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Deep Learning for Automatic Pneumonia Detection [72.55423549641714]
  肺炎は小児の主要な死因であり、世界でも最多死亡率の1つである。 コンピュータ支援診断システムは診断精度を向上させる可能性を示した。 本研究では, 単発検出, 圧縮励起深部畳み込みニューラルネットワーク, 拡張, マルチタスク学習に基づく肺炎領域検出のための計算手法を開発した。
  論文  参考訳（メタデータ） (2020-05-28T10:54:34Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Harmony-Search and Otsu based System for Coronavirus Disease (COVID-19) Detection using Lung CT Scan Images [11.78511702339502]
  肺CTから新型コロナウイルス感染部位を抽出する画像支援システムを提案する。 このツールの主な目的は、肺科医が検出するだけでなく、治療計画の立案にも役立てることである。
  論文  参考訳（メタデータ） (2020-04-06T16:55:22Z)

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。