論文の概要: Non-inferiority of Deep Learning Model to Segment Acute Stroke on
Non-contrast CT Compared to Neuroradiologists
- arxiv url: http://arxiv.org/abs/2211.15341v1
- Date: Thu, 24 Nov 2022 18:47:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 17:20:43.300916
- Title: Non-inferiority of Deep Learning Model to Segment Acute Stroke on
Non-contrast CT Compared to Neuroradiologists
- Title（参考訳）: 非造影CTにおける深層学習モデルの有用性 : 神経放射線医との比較
- Authors: Sophie Ostmeier, Jeremy J. Heit, Brian Axelrod, Li-Jia Li, Greg
Zaharchuk, Benjamin F.J. Verhaaren, Abdelkader Mahammedi, Soren Christensen,
and Maarten G. Lansberg
- Abstract要約: 3次元深層畳み込みニューラルネットワーク(CNN)アーキテクチャは、データセットの特性とタスクニーズに最適化された。
予測は、偏見と精度の点で、独立した専門家と比較すると下限ではなかった。
- 参考スコア（独自算出の注目度）: 9.351864122586807
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To develop a deep learning model to segment the acute ischemic
infarct on non-contrast Computed Tomography (NCCT). Materials and Methods In
this retrospective study, 227 Head NCCT examinations from 200 patients enrolled
in the multicenter DEFUSE 3 trial were included. Three experienced
neuroradiologists (experts A, B and C) independently segmented the acute
infarct on each study. The dataset was randomly split into 5 folds with
training and validation cases. A 3D deep Convolutional Neural Network (CNN)
architecture was optimized for the data set properties and task needs. The
input to the model was the NCCT and the output was a segmentation mask. The
model was trained and optimized on expert A. The outcome was assessed by a set
of volume, overlap and distance metrics. The predicted segmentations of the
best model and expert A were compared to experts B and C. Then we used a paired
Wilcoxon signed-rank test in a one-sided test procedure for all metrics to test
for non-inferiority in terms of bias and precision. Results: The best
performing model reached a Surface Dice at Tolerance (SDT)5mm of 0.68 \pm 0.04.
The predictions were non-inferior when compared to independent experts in terms
of bias and precision (paired one-sided test procedure for differences in
medians and bootstrapped standard deviations with non-inferior boundaries of
-0.05, 2ml, and 2mm, p < 0.05, n=200). Conclusion: For the segmentation of
acute ischemic stroke on NCCT, our 3D CNN trained with the annotations of one
neuroradiologist is non-inferior when compared to two independent
neuroradiologists.
- Abstract（参考訳）: 目的: 非コントラストct(non-contrast ct)で急性虚血梗塞を区分する深部学習モデルを開発すること。
対象と方法 この振り返り調査では,多施設DefUSE 3臨床試験に登録された200例の頭部NCCT検査を227例実施した。
経験豊富な3人の神経放射線学者(A,B,C)がそれぞれ独立に急性梗塞を分離した。
データセットはトレーニングと検証のケースで5つにランダムに分割された。
3次元深層畳み込みニューラルネットワーク(CNN)アーキテクチャは、データセットの特性とタスクニーズに最適化された。
モデルへの入力はncctであり、出力はセグメンテーションマスクであった。
モデルはエキスパートaでトレーニングされ、最適化され、結果がボリューム、重なり、距離のメトリクスで評価された。
ベストモデルとエキスパートaの予測されたセグメンテーションは、専門家のbとcと比較され、バイアスと正確さの観点から非インフェリシティをテストするために、一方的なテスト手順でウィルコクソンの符号付きテストが用いられた。
結果: 最高の性能モデルがトレランスのSurface Dice (SDT)5mmの0.68 \pm 0.04に到達した。
この予測は、バイアスと正確さの観点から独立した専門家と比較すると非干渉であった(非干渉境界-0.05, 2ml, 2mm, p < 0.05, n=200)。
結論:NCCTにおける急性虚血性脳梗塞のセグメンテーションでは,1人の神経放射線科医のアノテーションで訓練した3D CNNは,2人の独立した神経放射線科医と比較して非劣性である。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳（メタデータ） (2024-09-29T07:04:26Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳（メタデータ） (2023-09-13T10:40:41Z) - Random Expert Sampling for Deep Learning Segmentation of Acute Ischemic
Stroke on Non-contrast CT [2.0296858917615856]
急性期脳梗塞患者233例の非コントラストCTは260例であった。
U-Netベンチマークは、経験豊富な3人の神経放射線学者の基準アノテーションに基づいて、多数決とランダムな専門家サンプリングトレーニングスキームを用いて虚血性脳組織を分別するように訓練された。
ランダムな専門家サンプリングに基づいてトレーニングされたモデルでは、CT灌流に似た非コントラストCT上の急性虚血性脳組織の存在と位置を専門家よりも優れた一貫性で特定することができる。
論文 参考訳（メタデータ） (2023-09-07T16:59:38Z) - The use of deep learning enables high diagnostic accuracy in detecting
syndesmotic instability on weight-bearing CT scanning [0.0]
遅発性滑膜不安定症の診断は、足関節の著しい致死性および急激な変化をもたらす可能性がある。
Weight-bearing Computed Tomography (WBCT) は, 早期かつ確実なシナデミック不安定性の検出に有望な可能性を示唆している。
We developed three deep learning (DL) model for analyze WBCT scans to recognize syndesmosis instability。
論文 参考訳（メタデータ） (2022-07-07T20:49:37Z) - Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in
Artificial Intelligence [79.038671794961]
我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。
本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
論文 参考訳（メタデータ） (2021-11-18T00:43:41Z) - Multi-institutional Validation of Two-Streamed Deep Learning Method for
Automated Delineation of Esophageal Gross Tumor Volume using planning-CT and
FDG-PETCT [14.312659667401302]
食道悪性腫瘍容積(GTV)コントゥーリングの現況は,高作業コストとユーザ間の変動を手作業で記述することに依存している。
1施設で開発された深層学習(DL)多モード食道GTVコンチューリングモデルの臨床的応用性を検証する。
論文 参考訳（メタデータ） (2021-10-11T13:56:09Z) - Deep learning-based COVID-19 pneumonia classification using chest CT
images: model generalizability [54.86482395312936]
深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。
我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。
複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
論文 参考訳（メタデータ） (2021-02-18T21:14:52Z) - A Deep Learning-Based Approach to Extracting Periosteal and Endosteal
Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。
同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。
大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
論文 参考訳（メタデータ） (2021-02-03T10:23:41Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - 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) - Handling Missing MRI Input Data in Deep Learning Segmentation of Brain
Metastases: A Multi-Center Study [1.4463443378902883]
深層学習に基づくDropOutと呼ばれる脳転移の自動セグメンテーションのためのセグメンテーションモデルが、マルチシーケンスMRIで訓練された。
セグメンテーションの結果は、最先端のDeepLabV3モデルの性能と比較された。
DropOutモデルはDeepLabV3モデルに比べてかなり高いスコアを示した。
論文 参考訳（メタデータ） (2019-12-27T02:49:45Z)
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。