論文の概要: Automatic extraction of coronary arteries using deep learning in
invasive coronary angiograms
- arxiv url: http://arxiv.org/abs/2206.12300v1
- Date: Fri, 24 Jun 2022 13:52:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-27 18:16:10.050833
- Title: Automatic extraction of coronary arteries using deep learning in
invasive coronary angiograms
- Title（参考訳）: 侵襲的冠動脈造影法における深層学習による冠動脈の自動抽出
- Authors: Yinghui Meng, Zhenglong Du, Chen Zhao, Minghao Dong, Drew Pienta,
Zhihui Xu, Weihua Zhou
- Abstract要約: ICAから冠状動脈を自動的に抽出する深層学習モデルU-Net 3+が提案された。
210人の患者から得られた616個のICAを含むデータセットを使用した。
U-Net 3+のDiceスコアは0.8942、感度は0.8735で、U-Net ++よりも高い。
- 参考スコア（独自算出の注目度）: 3.475534733052516
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate extraction of coronary arteries from invasive coronary angiography
(ICA) is important in clinical decision-making for the diagnosis and risk
stratification of coronary artery disease (CAD). In this study, we develop a
method using deep learning to automatically extract the coronary artery lumen.
Methods. A deep learning model U-Net 3+, which incorporates the full-scale skip
connections and deep supervisions, was proposed for automatic extraction of
coronary arteries from ICAs. Transfer learning and a hybrid loss function were
employed in this novel coronary artery extraction framework. Results. A data
set containing 616 ICAs obtained from 210 patients was used. In the technical
evaluation, the U-Net 3+ achieved a Dice score of 0.8942 and a sensitivity of
0.8735, which is higher than U-Net ++ (Dice score: 0.8814, the sensitivity of
0.8331) and U-net (Dice score: 0.8799, the sensitivity of 0.8305). Conclusion.
Our study demonstrates that the U-Net 3+ is superior to other segmentation
frameworks for the automatic extraction of the coronary arteries from ICAs.
This result suggests great promise for clinical use.
- Abstract（参考訳）: 冠動脈造影検査(ICA)による冠動脈の正確な抽出は,冠動脈疾患(CAD)の診断とリスク成層化の臨床的決定に重要である。
本研究では,冠動脈腔を自動的に抽出する深層学習法を開発した。
メソッド。
フルスケールのスキップ接続と深い監督を組み込んだ深層学習モデル u-net 3+ が, icas からの冠動脈の自動抽出のために提案されている。
この新しい冠動脈抽出の枠組みでは, 転写学習とハイブリッド損失関数が用いられた。
結果だ
210人の患者から得られた616 icasを含むデータセットを用いた。
技術的評価では、u-net 3+ は 0.8942 のサイススコアと 0.8735 の感度を達成し、これは u-net ++ よりも高く (diceスコア 0.8814, 感度 0.8331)、u-net (diceスコア 0.8799, 感度 0.8305) である。
結論だ
本研究は,U-Net 3+が,ICAから冠状動脈を自動抽出する他のセグメンテーションフレームワークよりも優れていることを示す。
この結果から臨床応用に大きな期待が持てる。
関連論文リスト
- 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) - Coronary Artery Semantic Labeling using Edge Attention Graph Matching
Network [4.316187690050619]
冠状動脈疾患 (CAD) は、世界中の死因の1つである。
本稿では,冠動脈セマンティックラベリングのためのエッジアテンショングラフマッチングネットワーク(EAGMN)を提案する。
論文 参考訳（メタデータ） (2023-05-21T03:14:42Z) - 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) - Performance of a deep learning system for detection of referable
diabetic retinopathy in real clinical settings [0.0]
RetCAD v.1.3.1は糖尿病網膜症(DR)を自動的に検出するために開発された。
この人工知能ベースの技術を活用して、リリース可能なワークロードの削減を分析する。
論文 参考訳（メタデータ） (2022-05-11T14:59:10Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
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。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - Encoder-Decoder Architectures for Clinically Relevant Coronary Artery
Segmentation [0.0]
冠動脈疾患の診断と治療には,冠動脈X線アンギオグラフィが重要である。
従来のアプローチでは、最適でないセグメンテーション基準を使用しており、あまり有用な結果が得られていない。
本稿では,新しいデコーダアーキテクチャであるEfficientUNet++を用いて,効率的かつ高性能なセグメンテーションモデルを提案する。
論文 参考訳（メタデータ） (2021-06-21T23:32:11Z) - CathAI: Fully Automated Interpretation of Coronary Angiograms Using
Neural Networks [9.963333753481514]
冠動脈狭窄を推定する完全自動血管造影法が深部神経回路アルゴリズムを用いて初めて可能であることを示す。
私たちが開発したアルゴリズムパイプライン、すなわちCathAIは、選択されていない現実世界のアンジオグラムの自動解釈を実現するために必要な一連のタスクにまたがって、最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2021-06-14T18:58:09Z) - A new approach to extracting coronary arteries and detecting stenosis in
invasive coronary angiograms [9.733630514873376]
我々は,ICAから冠状動脈を抽出する深層学習による自動アルゴリズムの開発を目指している。
本研究では, マルチインプットとマルチスケール(MIMS)のU-Netを2段階の繰り返し訓練戦略として提案した。
実験の結果,提案手法は平均diceスコア 0.8329, 平均感度 0.8281, 平均特異度 0.9979 となり, 73例から294 icasを得た。
論文 参考訳（メタデータ） (2021-01-25T01:48:27Z) - 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。