論文の概要: Non-inferiority of Deep Learning Acute Ischemic Stroke Segmentation on Non-Contrast CT Compared to Expert Neuroradiologists

• arxiv url: http://arxiv.org/abs/2211.15341v3
• Date: Thu, 7 Sep 2023 17:18:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-08 17:58:51.548633
• Title: Non-inferiority of Deep Learning Acute Ischemic Stroke Segmentation on Non-Contrast CT Compared to Expert Neuroradiologists
• Title（参考訳）: 非造影CTにおけるDeep Learning acute Ischemic Stroke Segmentationの非偽性
• Authors: Sophie Ostmeier, Brian Axelrod, Benjamin F.J. Verhaaren, Soren Christensen, Abdelkader Mahammedi, Yongkai Liu, Benjamin Pulli, Li-Jia Li, Greg Zaharchuk, Jeremy J. Heit
• Abstract要約: 経験豊富な3人の神経放射線学者は、各スキャンで虚血核を反映する低密度を個別に区分した。 NCCTからの専門家Aのセグメンテーションを予測するために,3次元CNNアーキテクチャを訓練し,最適化した。 CNNは、神経放射線学者に匹敵する精度の急性虚血性脳梗塞患者において、NCCTの低濃度虚血核を正確に記述する。
• 参考スコア（独自算出の注目度）: 5.584243195984352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To determine if a convolutional neural network (CNN) deep learning model can accurately segment acute ischemic changes on non-contrast CT compared to neuroradiologists. Non-contrast CT (NCCT) examinations from 232 acute ischemic stroke patients who were enrolled in the DEFUSE 3 trial were included in this study. Three experienced neuroradiologists independently segmented hypodensity that reflected the ischemic core on each scan. The neuroradiologist with the most experience (expert A) served as the ground truth for deep learning model training. Two additional neuroradiologists (experts B and C) segmentations were used for data testing. The 232 studies were randomly split into training and test sets. The training set was further randomly divided into 5 folds with training and validation sets. A 3-dimensional CNN architecture was trained and optimized to predict the segmentations of expert A from NCCT. The performance of the model was assessed using a set of volume, overlap, and distance metrics using non-inferiority thresholds of 20%, 3ml, and 3mm. The optimized model trained on expert A was compared to test experts B and C. We used a one-sided Wilcoxon signed-rank test to test for the non-inferiority of the model-expert compared to the inter-expert agreement. The final model performance for the ischemic core segmentation task reached a performance of 0.46+-0.09 Surface Dice at Tolerance 5mm and 0.47+-0.13 Dice when trained on expert A. Compared to the two test neuroradiologists the model-expert agreement was non-inferior to the inter-expert agreement, p < 0.05. The CNN accurately delineates the hypodense ischemic core on NCCT in acute ischemic stroke patients with an accuracy comparable to neuroradiologists.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)深層学習モデルが、非コントラストCTの急性虚血変化を神経放射線学者と比較して正確に区分できるかどうかを判定する。 defuse 3 試験に参加した急性期脳梗塞232例の非コントラストct (ncct) 検査について検討した。 経験豊富な3人の神経放射線学者は、各スキャンで虚血核を反映する低密度を分離した。 最も経験の深い神経放射線学者(専門A)は、深層学習モデルトレーニングの基礎的真実となった。 さらに2人の神経放射線学者(専門家BとC)がデータ検査に使用された。 232の研究はランダムにトレーニングとテストセットに分割された。 トレーニングセットはさらに、トレーニングセットと検証セットで5つの折りたたみにランダムに分割された。 NCCTからの専門家Aのセグメンテーションを予測するために,3次元CNNアーキテクチャを訓練し,最適化した。 モデルの性能は, 20%, 3ml, 3mmの非干渉しきい値を用いて, 体積, 重ね合わせ, 距離測定値を用いて評価した。 我々は、一方的なウィルコクソンの署名付きランクテストを使用して、専門家間の合意と比較したモデル-専門家の不便さをテストしました。 虚血性コアセグメンテーションタスクの最終的なモデル性能は, 専門家aで訓練すると, 0.46+-0.09 表面サイスと 0.47+-0.13 サイスの性能に到達した。 CNNは、神経放射線学者に匹敵する精度で急性虚血性脳梗塞患者におけるNCCTの低濃度虚血コアを正確に規定している。

関連論文リスト

• 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)
• Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [51.14431540035141]
  下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。 4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
  論文  参考訳（メタデータ） (2022-12-14T06:04:18Z)
• 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。