論文の概要: Machine learning in the prediction of cardiac epicardial and mediastinal
fat volumes
- arxiv url: http://arxiv.org/abs/2208.14374v1
- Date: Tue, 30 Aug 2022 16:34:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 12:38:04.721050
- Title: Machine learning in the prediction of cardiac epicardial and mediastinal
fat volumes
- Title（参考訳）: 心内膜および縦隔脂肪量予測における機械学習
- Authors: \'E. O. Rodrigues and V. H. A. Pinheiro and P. Liatsis and A. Conci
- Abstract要約: 心内膜および縦隔脂肪量をCT画像で予測する手法を提案する。
これらの脂肪を高い相関関係で予測することは可能であり、これにより両方の脂肪量を手動または自動分割する必要性が軽減される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We propose a methodology to predict the cardiac epicardial and mediastinal
fat volumes in computed tomography images using regression algorithms. The
obtained results indicate that it is feasible to predict these fats with a high
degree of correlation, thus alleviating the requirement for manual or automatic
segmentation of both fat volumes. Instead, segmenting just one of them
suffices, while the volume of the other may be predicted fairly precisely. The
correlation coefficient obtained by the Rotation Forest algorithm using MLP
Regressor for predicting the mediastinal fat based on the epicardial fat was
0.9876, with a relative absolute error of 14.4% and a root relative squared
error of 15.7%. The best correlation coefficient obtained in the prediction of
the epicardial fat based on the mediastinal was 0.9683 with a relative absolute
error of 19.6% and a relative squared error of 24.9%. Moreover, we analysed the
feasibility of using linear regressors, which provide an intuitive
interpretation of the underlying approximations. In this case, the obtained
correlation coefficient was 0.9534 for predicting the mediastinal fat based on
the epicardial, with a relative absolute error of 31.6% and a root relative
squared error of 30.1%. On the prediction of the epicardial fat based on the
mediastinal fat, the correlation coefficient was 0.8531, with a relative
absolute error of 50.43% and a root relative squared error of 52.06%. In
summary, it is possible to speed up general medical analyses and some
segmentation and quantification methods that are currently employed in the
state-of-the-art by using this prediction approach, which consequently reduces
costs and therefore enables preventive treatments that may lead to a reduction
of health problems.
- Abstract（参考訳）: 本稿では,回帰アルゴリズムを用いて心内膜および縦隔脂肪量を予測する手法を提案する。
以上の結果から,これらの脂肪を高い相関度で予測することは可能であり,両者の脂肪体積の手動または自動分割の必要性を軽減できることが示唆された。
代わりに、どちらか一方だけをセグメンテーションすれば十分であり、もう一方のボリュームはかなり正確に予測できる。
MLP回帰器を用いた回転フォレスト法で得られた心内膜脂肪の相関係数は0.9876であり, 絶対誤差は14.4%, ルート相対2乗誤差は15.7%であった。
縦隔による心内膜脂肪の予測において得られた相関係数は0.9683であり, 絶対誤差は19.6%, 相対誤差は24.9%であった。
さらに,線形回帰器の適用可能性を分析し,基礎となる近似を直観的に解釈する。
この場合、心内膜に基づいて縦隔脂肪を予測するための相関係数は 0.9534 であり、相対絶対誤差 31.6%、根相対二乗誤差 30.1% である。
縦隔脂肪に基づく心膜脂肪の予測では, 相関係数は0.8531であり, 絶対誤差は50.43%, 根相対誤差は52.06%であった。
まとめると、この予測アプローチにより、現在最先端で用いられている一般的な医学的分析といくつかの分別・定量化手法を高速化することができ、その結果、コストを削減し、健康問題の軽減につながる予防的治療を可能にする。
関連論文リスト
- AI prediction of cardiovascular events using opportunistic epicardial
adipose tissue assessments from CT calcium score [4.788487212121804]
我々は新しい手作り心房細動組織(EAT)「fatomics」を作製した。
放射能特性(形態,空間,強度)148点を抽出し,MACEの特徴低減と予測にCox弾性ネットを用いた。
高リスクの特徴としては、Volume-of-voxels-having-elevated HU- negative-skewnessとKurtosis-of-EAT-thicknessがある。
論文 参考訳（メタデータ） (2024-01-29T14:42:06Z) - Interpretable estimation of the risk of heart failure hospitalization
from a 30-second electrocardiogram [2.167398752829277]
本研究は,30秒の単心電図信号で心不全の入院を推定できることを示唆する。
機械学習アプローチを使用することで、予測能力が向上するだけでなく、臨床的に意味のある解釈も得られる。
論文 参考訳（メタデータ） (2022-11-02T01:53:07Z) - Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。
これらの結果はサンプル状態と有限状態の両方で定式化する。
論文 参考訳（メタデータ） (2022-10-03T06:09:01Z) - On the Automated Segmentation of Epicardial and Mediastinal Cardiac
Adipose Tissues Using Classification Algorithms [0.9176056742068814]
本研究は,心臓脂肪パッドの自動セグメンテーションのための新しい技術を提案する。
本手法は,心臓CT画像のセグメンテーションに分類アルゴリズムを適用することに基づく。
心内膜脂肪および縦隔脂肪の分類における平均精度は98.4%であった。
論文 参考訳（メタデータ） (2022-08-30T15:57:02Z) - A novel approach for the automated segmentation and volume
quantification of cardiac fats on computed tomography [0.9786690381850356]
本稿では,2種類の心臓脂肪の自律的分画と定量化のための統一的手法を提案する。
分節脂肪は心外および縦隔と呼ばれ、心膜によって互いに区別される。
提案手法は主に,所望のセグメンテーションを行うための登録アルゴリズムと分類アルゴリズムから構成される。
論文 参考訳（メタデータ） (2021-12-21T17:38:06Z) - Tactile Grasp Refinement using Deep Reinforcement Learning and Analytic
Grasp Stability Metrics [70.65363356763598]
解析的把握安定性指標が強化学習アルゴリズムの強力な最適化目標であることを示す。
幾何的および力量に依存しないグリップ安定性の指標を組み合わせることで、カブイドの平均成功率は95.4%となることを示す。
第2の実験では,触覚情報を持たないベースラインよりも,接触フィードバックで訓練したグリップリファインメントアルゴリズムが最大6.6%向上することを示した。
論文 参考訳（メタデータ） (2021-09-23T09:20:19Z) - Deep Learning Models for Calculation of Cardiothoracic Ratio from Chest
Radiographs for Assisted Diagnosis of Cardiomegaly [0.0]
本研究では,胸部X線写真から心臓胸部比を算出し,心筋の存在を検出する自動法を提案する。
結束箱を用いたx線画像の心臓と胸部領域を画定する2つのモデルを開発し,その出力を用いて心拍数を算出した。
論文 参考訳（メタデータ） (2021-01-19T13:09:29Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。
具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。
次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
論文 参考訳（メタデータ） (2020-07-13T20:05:19Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。