論文の概要: Deep Learning-based Segmentation of Pleural Effusion From Ultrasound
Using Coordinate Convolutions
- arxiv url: http://arxiv.org/abs/2208.03305v1
- Date: Fri, 5 Aug 2022 17:45:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-08 13:12:25.401654
- Title: Deep Learning-based Segmentation of Pleural Effusion From Ultrasound
Using Coordinate Convolutions
- Title(参考訳): 座標畳み込みを用いた深層学習による超音波胸水分画
- Authors: Germain Morilhat, Naomi Kifle, Sandra FinesilverSmith, Bram Ruijsink,
Vittoria Vergani, Habtamu Tegegne Desita, Zerubabel Tegegne Desita, Esther
Puyol-Anton, Aaron Carass, Andrew P. King
- Abstract要約: 低中間所得国(LMIC)では,胸水の評価に超音波が用いられている。
本研究では,深層学習(DL)を用いて,超音波画像からの胸水分離プロセスの自動化について検討する。
- 参考スコア(独自算出の注目度): 2.8410163751639654
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many low-to-middle income (LMIC) countries, ultrasound is used for
assessment of pleural effusion. Typically, the extent of the effusion is
manually measured by a sonographer, leading to significant
intra-/inter-observer variability. In this work, we investigate the use of deep
learning (DL) to automate the process of pleural effusion segmentation from
ultrasound images. On two datasets acquired in a LMIC setting, we achieve
median Dice Similarity Coefficients (DSCs) of 0.82 and 0.74 respectively using
the nnU-net DL model. We also investigate the use of coordinate convolutions in
the DL model and find that this results in a statistically significant
improvement in the median DSC on the first dataset to 0.85, with no significant
change on the second dataset. This work showcases, for the first time, the
potential of DL in automating the process of effusion assessment from
ultrasound in LMIC settings where there is often a lack of experienced
radiologists to perform such tasks.
- Abstract(参考訳): 多くの低所得国(LMIC)では,胸水の評価に超音波が用いられている。
通常、拡散の程度はソノグラフィーによって手動で測定され、サーバ内/サーバ間の大きな変動をもたらす。
本研究では,深層学習(DL)を用いて,超音波画像からの胸水分離プロセスの自動化について検討する。
LMIC環境で得られた2つのデータセットに対して, nnU-net DLモデルを用いて, それぞれ0.82と0.74のDice similarity Coefficients(DSCs)を中央値とした。
また,dlモデルにおける座標畳み込みの利用について検討し,第1データセットの中央値dscを0.85に統計的に有意な改善を示し,第2データセットでは有意な変化はみられなかった。
本研究は, 経験豊富な放射線科医が不足することが多いlmic環境において, 超音波からの流出評価の自動化におけるdlの可能性を初めて示すものである。
関連論文リスト
- Image2Flow: A hybrid image and graph convolutional neural network for
rapid patient-specific pulmonary artery segmentation and CFD flow field
calculation from 3D cardiac MRI data [0.0]
この研究では、パブリックデータセットとプライベートデータセットの両方から135個の3D心筋MRIを使用した。
Image2Flowは、ハイブリッド画像とグラフ畳み込みニューラルネットワークで、肺動脈テンプレートを患者固有の解剖学とCFD値に変換するために訓練された。
論文 参考訳(メタデータ) (2024-02-28T11:01:14Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware
Prostate Cancer Classification [60.20736568336466]
臨床的に有意なPCa分類のための前立腺mp-MRIの非対位画像変換のための新しいアプローチを提案する。
我々は、明らかなディープラーニングアプローチにより、モデルの不確実性を見積もる。
提案手法は, ROC曲線(AUC)を20%以上改善することを示した。
論文 参考訳(メタデータ) (2023-07-02T05:26:54Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳(メタデータ) (2022-04-11T17:29:36Z) - Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase
Classification Using EEG [56.155331323304]
本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。
チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
論文 参考訳(メタデータ) (2021-12-18T14:17:49Z) - 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) - Two-Stage Mesh Deep Learning for Automated Tooth Segmentation and
Landmark Localization on 3D Intraoral Scans [56.55092443401416]
TS-MDLの最初の段階では、mphiMeshSegNetは0.953pm0.076$で平均Dice類似係数(DSC)に達した。
PointNet-Reg は平均絶対誤差 (MAE) が 0.623pm0.718, mm$ であり、ランドマーク検出の他のネットワークよりも優れている。
論文 参考訳(メタデータ) (2021-09-24T13:00:26Z) - 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) - Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。
拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
論文 参考訳(メタデータ) (2021-02-25T13:18:32Z) - Neural Network-derived perfusion maps: a Model-free approach to computed
tomography perfusion in patients with acute ischemic stroke [4.925222726301579]
畳み込みニューラルネットワーク(CNN)はCT灌流データから臨床的に関連するパラメトリックマップを生成することができる。
cnnベースのアプローチは,最先端の灌流解析法に匹敵する臨床関連灌流マップを作成した。
論文 参考訳(メタデータ) (2021-01-15T07:11:02Z) - A Comprehensive Study of Data Augmentation Strategies for Prostate
Cancer Detection in Diffusion-weighted MRI using Convolutional Neural
Networks [9.554833667156913]
217例のトレーニングデータセットに,最も頻繁に使用される5つの拡張手法(ランダム回転,水平フリップ,垂直フリップ,ランダム作物,翻訳)を適用した。
前立腺癌検出の精度に及ぼす各方法の影響について検討した。
浅層ネットワークは、回転法により得られる最高の2DスライスベースのAUC0.85で、ディープネットワークを上回った。
論文 参考訳(メタデータ) (2020-06-01T14:31:38Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z)
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。