論文の概要: An AI tool for automated analysis of large-scale unstructured clinical
cine CMR databases
- arxiv url: http://arxiv.org/abs/2206.08137v2
- Date: Wed, 5 Jul 2023 20:32:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-07 18:39:01.321949
- Title: An AI tool for automated analysis of large-scale unstructured clinical
cine CMR databases
- Title(参考訳): 大規模非構造化シネCMRデータベースの自動解析のためのAIツール
- Authors: Jorge Mariscal-Harana (1), Clint Asher (1,2), Vittoria Vergani (1),
Maleeha Rizvi (1,2), Louise Keehn (3), Raymond J. Kim (4), Robert M. Judd
(4), Steffen E. Petersen (5,6,7,8), Reza Razavi (1,2), Andrew King (1), Bram
Ruijsink (1,2,9), Esther Puyol-Ant\'on (1) ((1) School of Biomedical
Engineering and Imaging Sciences, King's College London, London, UK, (2)
Department of Adult and Paediatric Cardiology, Guy's and St Thomas' NHS
Foundation Trust, London, UK, (3) Department of Clinical Pharmacology, King's
College London British Heart Foundation Centre, St Thomas' Hospital, London,
UK, (4) Division of Cardiology, Department of Medicine, Duke University,
Durham, North Carolina, USA, (5) National Institute for Health Research
(NIHR) Barts Biomedical Research Centre, William Harvey Research Institute,
Queen Mary University London, London, UK, (6) Barts Heart Centre, St
Bartholomew's Hospital, Barts Health NHS Trust, London, UK, (7) Health Data
Research UK, London, UK, (8) Alan Turing Institute, London, UK, (9)
Department of Cardiology, Heart and Lung Division, University Medical Center
Utrecht, Utrecht, The Netherlands)
- Abstract要約: 大規模臨床データベースにおけるSAX cine CMRからの心臓機能の自動定量化のための堅牢なAIツールの開発と評価を行った。
提案ツールは、画像前処理ステップと、大規模マルチドメインCMRデータセットと品質管理ステップに基づいてトレーニングされた、ドメイン汎用AIアルゴリズムを組み合わせる。
これにより、大規模なマルチセントレデータベースの完全自動処理に使用するためのツールの翻訳が可能となる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial intelligence (AI) techniques have been proposed for automating
analysis of short axis (SAX) cine cardiac magnetic resonance (CMR), but no CMR
analysis tool exists to automatically analyse large (unstructured) clinical CMR
datasets. We develop and validate a robust AI tool for start-to-end automatic
quantification of cardiac function from SAX cine CMR in large clinical
databases. Our pipeline for processing and analysing CMR databases includes
automated steps to identify the correct data, robust image pre-processing, an
AI algorithm for biventricular segmentation of SAX CMR and estimation of
functional biomarkers, and automated post-analysis quality control to detect
and correct errors. The segmentation algorithm was trained on 2793 CMR scans
from two NHS hospitals and validated on additional cases from this dataset
(n=414) and five external datasets (n=6888), including scans of patients with a
range of diseases acquired at 12 different centres using CMR scanners from all
major vendors. Median absolute errors in cardiac biomarkers were within the
range of inter-observer variability: <8.4mL (left ventricle volume), <9.2mL
(right ventricle volume), <13.3g (left ventricular mass), and <5.9% (ejection
fraction) across all datasets. Stratification of cases according to phenotypes
of cardiac disease and scanner vendors showed good performance across all
groups. We show that our proposed tool, which combines image pre-processing
steps, a domain-generalisable AI algorithm trained on a large-scale
multi-domain CMR dataset and quality control steps, allows robust analysis of
(clinical or research) databases from multiple centres, vendors, and cardiac
diseases. This enables translation of our tool for use in fully-automated
processing of large multi-centre databases.
- Abstract(参考訳): 短軸(SAX)シン心磁気共鳴(CMR)の解析を自動化する人工知能(AI)技術が提案されているが、大規模な(非構造的な)臨床CMRデータセットを自動的に解析するためのCMR解析ツールは存在しない。
大規模臨床データベースにおけるSAX cine CMRからの心臓機能の自動定量化のための堅牢なAIツールの開発と評価を行った。
我々のCMRデータベースの処理と解析のためのパイプラインには、正しいデータを特定する自動ステップ、堅牢な画像前処理、SAX CMRの二心室分割のためのAIアルゴリズム、機能的バイオマーカーの推定、エラーの検出と修正のための自動分析品質制御が含まれる。
このセグメンテーションアルゴリズムは、2つのNHS病院の2793のCMRスキャンに基づいてトレーニングされ、このデータセット(n=414)と5つの外部データセット(n=6888)から追加のケースで検証された。
心臓バイオマーカーの絶対誤差は、全データセットにわたる<8.4mL(左心室容積),<9.2mL(右心室容積),<13.3g(左心室容積),<5.9%(エジェクション分画)の範囲内であった。
心疾患およびスキャナーベンダーの表現型による症例の階層化は全群で良好であった。
大規模マルチドメインcmrデータセットでトレーニングされた汎用型aiアルゴリズムであるイメージ前処理ステップと品質制御ステップを組み合わせることにより,複数のセンター,ベンダ,心臓病のデータベース(臨床ないし研究)を堅牢に分析できることを示す。
これにより,大規模マルチ中心データベースの完全自動処理に使用するツールの翻訳が可能となる。
関連論文リスト
- Improved Robustness for Deep Learning-based Segmentation of Multi-Center Myocardial Perfusion MRI Datasets Using Data Adaptive Uncertainty-guided Space-time Analysis [0.24285581051793656]
灌流データセットの完全な自動解析により、患者のストレス/レスト研究の迅速かつ客観的な報告が可能になる。
トレーニングデータやソフトウェアやハードウェアのバリエーションが限られているにもかかわらず、マルチセンタデータセットを分析できるディープラーニング技術は、現在進行中の課題である。
提案したDAUGS分析手法は,多心応力灌流データセットのセグメンテーションのためのディープラーニング手法の堅牢性を向上させる可能性を秘めている。
論文 参考訳(メタデータ) (2024-08-09T01:21:41Z) - AI Framework for Early Diagnosis of Coronary Artery Disease: An
Integration of Borderline SMOTE, Autoencoders and Convolutional Neural
Networks Approach [0.44998333629984877]
我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。
実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
論文 参考訳(メタデータ) (2023-08-29T14:33:38Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳(メタデータ) (2023-08-24T01:30:18Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳(メタデータ) (2023-07-25T09:48:13Z) - Automated Quality Controlled Analysis of 2D Phase Contrast
Cardiovascular Magnetic Resonance Imaging [2.189751467114811]
位相コントラスト心磁気共鳴画像(PC-CMR)を用いた流れ解析
完全CMRスキャンからのフローの完全自動解析のための新しいディープラーニングベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2022-09-28T16:37:35Z) - Robust machine learning segmentation for large-scale analysis of
heterogeneous clinical brain MRI datasets [1.0499611180329802]
異種臨床データセットの堅牢な解析を可能にするAIセグメンテーションスイートであるSynthSeg+を提案する。
具体的には、全脳セグメンテーションに加えて、SynthSeg+は皮質パーセレーション、頭蓋内体積推定、欠陥セグメンテーションの自動検出も行う。
われわれはSynthSeg+を14,000スキャンの老化研究を含む7つの実験で実証し、より高品質なデータで観測された萎縮パターンを正確に再現した。
論文 参考訳(メタデータ) (2022-09-05T16:09:24Z) - A Deep Learning-based Integrated Framework for Quality-aware
Undersampled Cine Cardiac MRI Reconstruction and Analysis [4.780348242743022]
我々は, アンダーサンプルシネCMRデータの再構成, セグメンテーション, 下流解析のための品質制御統合フレームワークを提案する。
このフレームワークは、取得したデータが十分であれば、高品質な再構成やセグメンテーションを生成するのに十分なときに、取得を停止することができるラジアルk空間データのアクティブな取得を可能にする。
論文 参考訳(メタデータ) (2022-05-02T18:02:22Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳(メタデータ) (2021-10-27T19:28:36Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳(メタデータ) (2020-04-26T08:49:17Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳(メタデータ) (2020-01-24T21:09:18Z)
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。