論文の概要: Label-free segmentation from cardiac ultrasound using self-supervised
learning
- arxiv url: http://arxiv.org/abs/2210.04979v2
- Date: Tue, 24 Oct 2023 19:16:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-28 06:25:13.861938
- 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: コンピュータビジョン,臨床領域知識,深層学習を用いた自己教師型(手動ラベルなし)セグメンテーションのためのパイプラインを構築した。
8,393枚の心エコー画像(4,476,266枚,平均61年,女性51%)を用いて,450枚の心エコー画像(93,000枚)をトレーニングし,生体計測値の算出を行った。
本研究は,超音波からのセグメンテーションのための手動ラベルフリー,臨床的に有効な,高度にスケーラブルな方法であることを示す。
- 参考スコア(独自算出の注目度): 0.6906005491572401
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Segmentation and measurement of cardiac chambers is critical in cardiac
ultrasound but is laborious and poorly reproducible. Neural networks can
assist, but supervised approaches require the same laborious manual
annotations. We built a pipeline for self-supervised (no manual labels)
segmentation combining computer vision, clinical domain knowledge, and deep
learning. We trained on 450 echocardiograms (93,000 images) and tested on 8,393
echocardiograms (4,476,266 images; mean 61 years, 51% female), using the
resulting segmentations to calculate biometrics. We also tested against
external images from an additional 10,030 patients with available manual
tracings of the left ventricle. r2 between clinically measured and
pipeline-predicted measurements were similar to reported inter-clinician
variation and comparable to supervised learning across several different
measurements (r2 0.56-0.84). Average accuracy for detecting abnormal chamber
size and function was 0.85 (range 0.71-0.97) compared to clinical measurements.
A subset of test echocardiograms (n=553) had corresponding cardiac MRIs, where
MRI is the gold standard. Correlation between pipeline and MRI measurements was
similar to that between clinical echocardiogram and MRI. Finally, the pipeline
accurately segments the left ventricle with an average Dice score of 0.89 (95%
CI [0.89]) in the external, manually labeled dataset. Our results demonstrate a
manual-label free, clinically valid, and highly scalable method for
segmentation from ultrasound, a noisy but globally important imaging modality.
- Abstract(参考訳): 心室のセグメンテーションと測定は心エコー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、教師付きアプローチは、同じ面倒な手動アノテーションを必要とする。
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た自己教師型(手動ラベルなし)セグメンテーションのためのパイプラインを構築した。
8,393枚の心エコー画像(4,476,266枚,平均61年,女性51%)を用いて,450枚の心エコー画像(93,000枚)をトレーニングし,生体計測値の算出を行った。
また,左室を手作業で追跡できる患者10,030例の外部画像についても検討した。
臨床測定値とパイプライン予測値の間のr2は、報告されたクリニック間変動と類似しており、いくつかの異なる測定値(r2 0.56-0.84)で教師あり学習に匹敵する。
異常室径と機能を検出する平均精度は,臨床検査と比較して0.85(範囲0.71-0.97)であった。
テスト心エコー図(n=553)のサブセットは、MRIがゴールド標準である心臓MRIに対応していた。
パイプラインとMRIの相関は臨床心エコー図とMRIと類似していた。
最後に、パイプラインは、外部の手動ラベル付きデータセットで、左室を0.99 (95% ci [0.89])の平均diceスコアで正確に区分する。
本研究は, 超音波による画像分割を手作業で自由かつ臨床的に有効かつ高度にスケーラブルに行う方法である。
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) - 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。