論文の概要: Automatic lesion analysis for increased efficiency in outcome prediction
of traumatic brain injury
- arxiv url: http://arxiv.org/abs/2208.04114v1
- Date: Mon, 8 Aug 2022 13:18:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 13:38:44.393711
- Title: Automatic lesion analysis for increased efficiency in outcome prediction
of traumatic brain injury
- Title（参考訳）: 外傷性脳損傷の予後予測における自動病変解析の有用性
- Authors: Margherita Rosnati, Eyal Soreq, Miguel Monteiro, Lucia Li, Neil S.N.
Graham, Karl Zimmerman, Carlotta Rossi, Greta Carrara, Guido Bertolini, David
J. Sharp, and Ben Glocker
- Abstract要約: 本研究は, 日常的に取得した病院入所CTスキャンから抽出したバイオマーカーの予測力について検討した。
我々は,TBI結果予測モデルの拡張のための入力として,病変量とそれに対応する病変統計を用いた。
自動的に抽出された定量的CT特徴は、不利なTBI結果を予測する際にマーシャルスコアと同等かそれ以上に機能することがわかった。
- 参考スコア（独自算出の注目度）: 12.651451007914124
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The accurate prognosis for traumatic brain injury (TBI) patients is difficult
yet essential to inform therapy, patient management, and long-term after-care.
Patient characteristics such as age, motor and pupil responsiveness, hypoxia
and hypotension, and radiological findings on computed tomography (CT), have
been identified as important variables for TBI outcome prediction. CT is the
acute imaging modality of choice in clinical practice because of its
acquisition speed and widespread availability. However, this modality is mainly
used for qualitative and semi-quantitative assessment, such as the Marshall
scoring system, which is prone to subjectivity and human errors. This work
explores the predictive power of imaging biomarkers extracted from
routinely-acquired hospital admission CT scans using a state-of-the-art, deep
learning TBI lesion segmentation method. We use lesion volumes and
corresponding lesion statistics as inputs for an extended TBI outcome
prediction model. We compare the predictive power of our proposed features to
the Marshall score, independently and when paired with classic TBI biomarkers.
We find that automatically extracted quantitative CT features perform similarly
or better than the Marshall score in predicting unfavourable TBI outcomes.
Leveraging automatic atlas alignment, we also identify frontal extra-axial
lesions as important indicators of poor outcome. Our work may contribute to a
better understanding of TBI, and provides new insights into how automated
neuroimaging analysis can be used to improve prognostication after TBI.
- Abstract（参考訳）: 外傷性脳損傷(TBI)患者の正確な予後は、治療、患者管理、長期のアフターケアに不可欠である。
年齢,運動,瞳孔反応,低酸素,低血圧などの患者の特徴,CT(Computed tomography)の放射線学的所見は,TBIの予後予測に重要な変数であると考えられた。
CTは, 取得速度と高可用性のため, 臨床実践において選択される急性画像モダリティである。
しかしながら、このモダリティは主に、主観性と人的誤りを引き起こすマーシャルスコアシステムのような質的および半定量的評価に使用される。
本研究は,最先端の深層学習型TBI病変分割法を用いて,日常的に取得した入院CTスキャンから抽出したバイオマーカーの予測力について検討する。
我々は,TBI結果予測モデルの拡張のための入力として,病変量と対応する病変統計を用いた。
提案する特徴の予測力とマーシャルスコアを独立に比較し,古典的TBIバイオマーカーと組み合わせて比較した。
自動的に抽出された定量的CT特徴は、不利なTBI結果を予測する際にマーシャルスコアと同等かそれ以上に機能することがわかった。
自動アトラスアライメントを応用し,前頭軸外病変を予後不良の重要な指標として捉えた。
我々の研究は、TBIの理解を深め、TBI後の予後を改善するために、自律神経画像解析をどのように利用できるかについての新しい知見を提供する。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Brain Tumor Segmentation Based on Deep Learning, Attention Mechanisms, and Energy-Based Uncertainty Prediction [0.0]
脳腫瘍は、死亡率80%を超える最も致命的ながんの1つである。
医学的分析では、脳腫瘍の手動アノテーションとセグメンテーションは複雑な作業である。
本稿では,データ前処理中に実装された関心領域検出アルゴリズムを提案する。
ソフトアテンションを持つ完全畳み込みオートエンコーダは、異なる脳MRIをセグメント化する。
論文 参考訳（メタデータ） (2023-12-31T20:42:52Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Concurrent ischemic lesion age estimation and segmentation of CT brain
using a Transformer-based network [8.80381582892208]
本稿では,脳虚血病変の同時分節と年齢推定に最適化された,エンドツーエンドのマルチタスク・トランスフォーマー・ネットワークを提案する。
従来手法の0.858と比較すると, 病変年齢を4.5時間に分類するための曲線(AUC)が0.933未満の領域で, 有望な性能が得られる。
論文 参考訳（メタデータ） (2023-06-21T13:00:49Z) - Meta-Analysis of Transfer Learning for Segmentation of Brain Lesions [0.0]
3次元磁気共鳴(MR)画像からの脳卒中病変の手動分割は、現在の金標準である。
転写学習(TL)と混合データアプローチを用いて訓練した8種類の2次元モデルアーキテクチャを用いて,脳卒中病変の完全自動セグメンテーション手法の実装と試験を行った。
クロスバリデーションの結果,新しい手法は,地中真実と比較して高速かつ高精度に病変を分割できることがわかった。
論文 参考訳（メタデータ） (2023-06-20T17:42:30Z) - Predicting Thrombectomy Recanalization from CT Imaging Using Deep Learning Models [4.780704816027884]
術前CTとCTA画像を用いて,患者の再石灰化スコアの完全自動予測を提案した。
我々のトップモデルは平均クロスバリデードROC-AUC 77.33 $pm$3.9%を達成した。
論文 参考訳（メタデータ） (2023-02-08T15:41:21Z) - Ischemic Stroke Lesion Prediction using imbalanced Temporal Deep
Gaussian Process (iTDGP) [2.649401887836554]
急性虚血性脳卒中(AIS)は、動脈閉塞により突然脳への血液供給が中断されたときに起こる。
CT(Computed Tomography Perfusion)画像から抽出した3次元計測マップをしきい値として評価する現在の標準AIS評価法は十分ではない。
ベースラインガウス時系列を用いてAIS予測を改善する確率モデルであるiTDGPを提案する。
論文 参考訳（メタデータ） (2022-11-16T17:32:29Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2021-12-19T01:45:57Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。