論文の概要: Ischemic Stroke Lesion Prediction using imbalanced Temporal Deep Gaussian Process (iTDGP)

• arxiv url: http://arxiv.org/abs/2211.09068v1
• Date: Wed, 16 Nov 2022 17:32:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 16:23:56.245652
• Title: Ischemic Stroke Lesion Prediction using imbalanced Temporal Deep Gaussian Process (iTDGP)
• Title（参考訳）: 不均衡時間深部ガウス過程(iTDGP)を用いた虚血性脳卒中病変の予測
• Authors: Mohsen Soltanpour, Muhammad Yousefnezhad, Russ Greiner, Pierre Boulanger, Brian Buck
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.649401887836554
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As one of the leading causes of mortality and disability worldwide, Acute Ischemic Stroke (AIS) occurs when the blood supply to the brain is suddenly interrupted because of a blocked artery. Within seconds of AIS onset, the brain cells surrounding the blocked artery die, which leads to the progression of the lesion. The automated and precise prediction of the existing lesion plays a vital role in the AIS treatment planning and prevention of further injuries. The current standard AIS assessment method, which thresholds the 3D measurement maps extracted from Computed Tomography Perfusion (CTP) images, is not accurate enough. Due to this fact, in this article, we propose the imbalanced Temporal Deep Gaussian Process (iTDGP), a probabilistic model that can improve AIS lesions prediction by using baseline CTP time series. Our proposed model can effectively extract temporal information from the CTP time series and map it to the class labels of the brain's voxels. In addition, by using batch training and voxel-level analysis iTDGP can learn from a few patients and it is robust against imbalanced classes. Moreover, our model incorporates a post-processor capable of improving prediction accuracy using spatial information. Our comprehensive experiments, on the ISLES 2018 and the University of Alberta Hospital (UAH) datasets, show that iTDGP performs better than state-of-the-art AIS lesion predictors, obtaining the (cross-validation) Dice score of 71.42% and 65.37% with a significant p<0.05, respectively.
• Abstract（参考訳）: 世界中で死亡と障害の主な原因の1つとして、脳への血液供給がブロックされた動脈によって突然中断されたときに急性期脳梗塞(ais)が起こる。 AISの発症から数秒以内に、ブロックされた動脈を囲む脳細胞が死に、病変の進行につながる。 既存の病変を自動的かつ正確に予測することは、AIS治療計画およびさらなる怪我の予防に重要な役割を果たす。 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する現行のAIS評価法では,精度が不十分である。 このことから,本論文では,ベースラインCTP時系列を用いてAISの病変予測を改善する確率モデルである,不均衡な時間的深化ガウス過程(iTDGP)を提案する。 提案モデルは,CTP時系列から時間情報を効果的に抽出し,脳のボクセルのクラスラベルにマッピングすることができる。 さらに, バッチトレーニングとボクセルレベルの分析により, iTDGPは少数の患者から学習でき, 不均衡クラスに対して堅牢である。 さらに,空間情報を用いた予測精度を向上させるポストプロセッサを組み込んだモデルである。 ISLES 2018とUAH(University of Alberta Hospital)データセットを用いた総合的な実験では、iTDGPは最先端のAIS病変予測器よりも優れた性能を示し、それぞれ71.42%、65.37%、p<0.05である。

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)
• A Knowledge Distillation Approach for Sepsis Outcome Prediction from Multivariate Clinical Time Series [2.621671379723151]
  我々は、制約付き変分推論による知識蒸留を用いて、強力な「教師」ニューラルネットワークモデルの知識を蒸留する。 我々は「学生」潜在変数モデルを訓練し、解釈可能な隠れ状態表現を学習し、セシス結果予測のための高い予測性能を達成する。
  論文  参考訳（メタデータ） (2023-11-16T05:06:51Z)
• 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)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Automatic lesion analysis for increased efficiency in outcome prediction of traumatic brain injury [12.651451007914124]
  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。
  論文  参考訳（メタデータ） (2022-08-08T13:18:35Z)
• Domain Knowledge Driven 3D Dose Prediction Using Moment-Based Loss Function [3.2653790770825686]
  ドーズボリュームヒストグラム(DVH)は,臨床で広く受け入れられている評価基準である。 本稿では3次元線量分布予測のための新しいモーメントベース損失関数を提案する。
  論文  参考訳（メタデータ） (2022-07-07T16:35:06Z)
• An End-to-End Deep Learning Approach for Epileptic Seizure Prediction [4.094649684498489]
  畳み込みニューラルネットワーク(CNN)を用いたエンドツーエンドディープラーニングソリューションを提案する。 総合感度、誤予測率、受信機動作特性曲線下の面積は、それぞれ2つのデータセットで93.5%、0.063/h、0.981、98.8%、0.074/h、0.988に達する。
  論文  参考訳（メタデータ） (2021-08-17T05:49:43Z)
• AutoPtosis [0.368986335765876]
  AutoPtosisは、人工知能ベースのシステムで、臨床診断の迅速化のために解釈可能な結果を提供する。 提案アルゴリズムは, 急速かつタイムリーに診断し, 医療システムの負担を大幅に軽減し, 患者や診療所の貴重な資源を節約する。
  論文  参考訳（メタデータ） (2021-06-07T18:32:31Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。