論文の概要: Label-free segmentation from cardiac ultrasound using self-supervised learning

• arxiv url: http://arxiv.org/abs/2210.04979v1
• Date: Mon, 10 Oct 2022 19:27:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 14:09:47.989367
• Title: Label-free segmentation from cardiac ultrasound using self-supervised learning
• Title（参考訳）: 自己教師あり学習による心筋超音波からのラベルなしセグメンテーション
• Authors: Danielle L. Ferreira, Zaynaf Salaymang, Rima Arnaout
• Abstract要約: 心室のセグメンテーションを自己管理(手動ラベルは不要)するためのパイプラインを構築した。 8,393枚の心エコー図(4,476,266枚,平均61歳,女性51%)を用いて,450枚の心エコー図を訓練した。 また、追加で10,030人(20,060人、平均61歳、女性51%)の外部画像に対してパイプラインをテストした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Segmentation and measurement of cardiac chambers is critical in echocardiography but is also laborious and poorly reproducible. Neural networks can assist, but supervised approaches require the same laborious manual annotations, while unsupervised approaches have fared poorly in ultrasound to date. Objectives: We built a pipeline for self-supervised (no manual labels required) segmentation of cardiac chambers, combining computer vision, clinical domain knowledge, and deep learning. Methods: We trained on 450 echocardiograms (145,000 images) and tested on 8,393 echocardiograms (4,476,266 images; mean age 61 years, 51% female), using the resulting segmentations to calculate structural and functional measurements. We also tested our pipeline against external images from an additional 10,030 patients (20,060 images) with available manual tracings of the left ventricle. Results: r2 between clinically measured and pipeline-predicted measurements were similar to reported inter-clinician variation for LVESV and LVEDV (pipeline vs. clinical r2= 0.74 and r2=0.65, respectively), LVEF and LV mass (r2= 0.46 and r2=0.54), left and right atrium volumes (r2=0.7 and r2=0.6), and right ventricle area (r2=0.47). When binarized into normal vs. abnormal categories, average accuracy was 0.81 (range 0.71-0.95). A subset of the test echocardiograms (n=553) had corresponding cardiac MRI; correlation between pipeline and CMR measurements was similar to that between clinical echocardiogram and CMR. Finally, in the external dataset, our pipeline accurately segments the left ventricle with an average Dice score of 0.83 (95% CI 0.83). Conclusions: Our results demonstrate a human-label-free, valid, and scalable method for segmentation from ultrasound, a noisy but globally important imaging modality.
• Abstract（参考訳）: 背景: 心室の分別と測定は心エコー検査において重要であるが, 困難で再現性に乏しい。 ニューラルネットワークは補助できるが、教師なしのアプローチは、これまで超音波が不十分だったのに対して、教師なしのアプローチは、同じ面倒な手動アノテーションを必要とする。 目的: コンピュータビジョン,臨床領域知識,深層学習を組み合わせることで,心臓室内の自己監視(手動ラベル不要)のためのパイプラインを構築した。 方法: 450枚の心エコー図(145,000枚の画像)を訓練し, 8,393枚の心エコー図(4,476,266枚の画像,平均年齢61歳,51%)を用いて実験を行った。 また,左室を手動で追跡した10,030例(20,060例)の外部画像に対して,パイプラインを試験した。 結果: 臨床測定値とパイプライン予測値の r2 は, LVESV と LVEDV (Pipeline vs. Clinical r2=0.74, r2=0.65), LVEF と LV mass (r2=0.46, r2=0.54), 左右心房容積 (r2=0.7, r2=0.6), 右心室面積 (r2=0.47) と類似した。 正常群と異常群に分けた場合,平均精度は0.81(範囲0.71-0.95)であった。 テスト心エコー図(n=553)のサブセットは、対応する心臓MRIを有し、パイプラインとCMRの相関は、臨床心エコーとCMRと類似していた。 最後に、外部データセットでは、パイプラインが左室を0.83(95% ci 0.83)の平均サイコロスコアで正確に区分する。 結論: この結果は, 超音波からのセグメンテーションのための, 人間のラベルのない, 有効な, スケーラブルな手法であることを示す。

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)
• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Large-Scale Multi-Center CT and MRI Segmentation of Pancreas with Deep Learning [20.043497517241992]
  膵疾患の診断と経過観察には膵の容積分画の自動化が必要である。 そこで我々は,nnUNetとTransformerネットワークの長所と,ボリューム計算が可能な新しい線形アテンションモジュールを組み合わせたPanSegNetを開発した。 T1W MRIは85.0% (std: 7.9%) , T2W MRIは86.3% (std: 6.4%) であった。
  論文  参考訳（メタデータ） (2024-05-20T20:37:27Z)
• 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)
• Deep Learning Pipeline for Preprocessing and Segmenting Cardiac Magnetic Resonance of Single Ventricle Patients from an Image Registry [1.1094040761152786]
  データは3つのディープラーニングモデルを含むパイプラインのトレーニングと評価に使用された。 パイプラインのパフォーマンスは、DiceとIoUのスコアに基づいて、自動化された標準手動セグメンテーションと参照された手動セグメンテーションの間で評価された。
  論文  参考訳（メタデータ） (2023-03-21T08:37:15Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• A New Semi-Automated Algorithm for Volumetric Segmentation of the Left Ventricle in Temporal 3D Echocardiography Sequences [1.3466792104272818]
  左室の起伏は、スペックルノイズの存在と信号対雑音比の低さにより困難である。 本稿では,左心室の経時的3次元心エコー法における半自動セグメンテーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-02T17:55:56Z)
• Fully Automated Mitral Inflow Doppler Analysis Using Deep Learning [0.0]
  エコー法で取得したMIドップラー画像のラベル付けに深層学習を利用する完全自動化ワークフローを提案する。 MIドップラー画像を含む24種類の画像クラスを予測するため,140例の5544画像に対して,様々な畳み込みニューラルネットワーク(CNN)モデルを訓練した。
  論文  参考訳（メタデータ） (2020-11-24T22:27:14Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• 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)
• How well do U-Net-based segmentation trained on adult cardiac magnetic resonance imaging data generalise to rare congenital heart diseases for surgical planning? [2.330464988780586]
  先天性心疾患(TOF)患者における肺弁置換術の適応時期は, 主に心室容積と機能に基づく。 過去数年間のいくつかの大きな課題において、U-Netアーキテクチャは提供されたデータに対して印象的な結果を示している。 しかし、臨床実践においては、個々の病理や異なるスキャナー特性から派生した画像特性を考えると、データセットはより多様である。
  論文  参考訳（メタデータ） (2020-02-10T08:50:51Z)

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。