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

• SMILE-UHURA Challenge -- Small Vessel Segmentation at Mesoscopic Scale from Ultra-High Resolution 7T Magnetic Resonance Angiograms [60.35639972035727]
  公開されている注釈付きデータセットの欠如は、堅牢で機械学習駆動のセグメンテーションアルゴリズムの開発を妨げている。 SMILE-UHURAチャレンジは、7T MRIで取得したTime-of-Flightアンジオグラフィーの注釈付きデータセットを提供することで、公開されている注釈付きデータセットのギャップに対処する。 Diceスコアは、それぞれのデータセットで0.838 $pm$0.066と0.716 $pm$ 0.125まで到達し、平均パフォーマンスは0.804 $pm$ 0.15までになった。
  論文  参考訳（メタデータ） (2024-11-14T17:06:00Z)
• Vascular Segmentation of Functional Ultrasound Images using Deep Learning [0.0]
  機能的超音波(fUS)画像のための,最初のディープラーニングベースセグメンテーションツールを紹介する。 競合セグメンテーション性能を90%の精度で達成し、71%の堅牢性と0.59のIUをfUSスタックから100フレームの時間フレームで実現した。 この研究は、ローカライゼーション顕微鏡に代わる非侵襲的で費用効果の高い代替手段を提供し、fUSデータの解釈を強化し、血管機能の理解を改善している。
  論文  参考訳（メタデータ） (2024-10-28T09:00:28Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• 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)
• 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。