論文の概要: Automated Coronary Arteries Labeling Via Geometric Deep Learning
- arxiv url: http://arxiv.org/abs/2212.00386v1
- Date: Thu, 1 Dec 2022 09:31:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-02 17:52:25.333805
- Title: Automated Coronary Arteries Labeling Via Geometric Deep Learning
- Title（参考訳）: 幾何学的深層学習による冠動脈の自動ラベリング
- Authors: Yadan Li, Mohammad Ali Armin, Simon Denman, David Ahmedt-Aristizabal
- Abstract要約: 血管造影検査から得られた3次元座標データによく適合する直感的なグラフ表現法を提案する。
その後、幾何学的深層学習を用いて対象別グラフの分析を試みる。
提案モデルでは,141例の専門的アノテートラベルを用いて,各冠動脈セグメントの表現を学習し,訓練データにおける解剖学的変動の影響を捉えた。
- 参考スコア（独自算出の注目度）: 13.515293812745343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic labelling of anatomical structures, such as coronary arteries, is
critical for diagnosis, yet existing (non-deep learning) methods are limited by
a reliance on prior topological knowledge of the expected tree-like structures.
As the structure such vascular systems is often difficult to conceptualize,
graph-based representations have become popular due to their ability to capture
the geometric and topological properties of the morphology in an
orientation-independent and abstract manner. However, graph-based learning for
automated labeling of tree-like anatomical structures has received limited
attention in the literature. The majority of prior studies have limitations in
the entity graph construction, are dependent on topological structures, and
have limited accuracy due to the anatomical variability between subjects. In
this paper, we propose an intuitive graph representation method, well suited to
use with 3D coordinate data obtained from angiography scans. We subsequently
seek to analyze subject-specific graphs using geometric deep learning. The
proposed models leverage expert annotated labels from 141 patients to learn
representations of each coronary segment, while capturing the effects of
anatomical variability within the training data. We investigate different
variants of so-called message passing neural networks. Through extensive
evaluations, our pipeline achieves a promising weighted F1-score of 0.805 for
labeling coronary artery (13 classes) for a five-fold cross-validation.
Considering the ability of graph models in dealing with irregular data, and
their scalability for data segmentation, this work highlights the potential of
such methods to provide quantitative evidence to support the decisions of
medical experts.
- Abstract（参考訳）: 冠状動脈などの解剖学的構造の自動ラベリングは診断に重要であるが、既存の(非深層学習)手法は、予想される木のような構造の以前のトポロジー的知識に依存している。
このような血管構造はしばしば概念化が難しいため、グラフに基づく表現は、向きに依存しない抽象的な方法で形態の幾何学的および位相的特性を捉える能力によって人気を博している。
しかし,木状解剖構造の自動ラベリングのためのグラフベース学習は,本研究で注目されている。
先行研究の大部分は、エンティティグラフの構成に制限があり、位相構造に依存しており、対象間の解剖学的変動のために精度が限られている。
本稿では,血管造影検査から得られた3次元座標データを用いて,直感的なグラフ表現法を提案する。
その後,幾何学的深層学習を用いて主題別グラフの解析を行う。
提案モデルでは,141例のアノテートラベルを用いて各冠動脈セグメントの表現を学習し,訓練データ中の解剖学的変動の影響を捉えた。
我々は、いわゆるメッセージパッシングニューラルネットの異なる変種を調査した。
広範囲な評価により, 冠状動脈 (13クラス) を5倍のクロスバリデーションにラベル付けするためのF1スコアは0.805と期待できる。
本研究は,不規則なデータを扱うグラフモデルとデータセグメンテーションのスケーラビリティを考慮し,医療専門家の意思決定を支援する定量的な証拠を提供する手法の可能性を明らかにする。
関連論文リスト
- Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳（メタデータ） (2024-07-08T11:44:15Z) - Towards Robust Cardiac Segmentation using Graph Convolutional Networks [0.9507020058422264]
本稿では,心解剖学に基づく2つの畳み込み環を用いたグラフアーキテクチャを提案する。
この予測器は,分布外および不適な入力画像をリアルタイムに検出できることを示す。
論文 参考訳（メタデータ） (2023-10-02T13:55:06Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - A Comparative Study of Graph Neural Networks for Shape Classification in
Neuroimaging [17.775145204666874]
ニューロイメージングにおける形状分類のための幾何学的深層学習の現状について概説する。
ノード機能としてFPFHを使用することで,GNNの性能が大幅に向上し,アウト・オブ・ディストリビューションデータへの一般化が期待できる。
以上の結果から,アルツハイマー病の分類を応用し,臨床的に有意な課題を確定した。
論文 参考訳（メタデータ） (2022-10-29T19:03:01Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Graph-Based Deep Learning for Medical Diagnosis and Analysis: Past,
Present and Future [36.58189530598098]
医療データを分析するために、機械学習、特にディープラーニングメソッドをどのように活用するかを検討することが重要になっている。
既存のメソッドの大きな制限は、グリッドのようなデータにフォーカスすることです。
グラフニューラルネットワークは、生物学的システムに存在する暗黙の情報を利用することによって、大きな注目を集めている。
論文 参考訳（メタデータ） (2021-05-27T13:32:45Z) - Quantifying Explainers of Graph Neural Networks in Computational
Pathology [13.526389642048947]
グラフ説明器を特徴付けるために,クラス分離可能性の統計に基づく新しい定量尺度を提案する。
提案手法は,3種類のグラフ説明器,すなわち,階層的関連性伝播,勾配ベース・サリエンシ,グラフプルーニングの3つの手法を評価するために用いられる。
乳がんRoIsの大きなコホートであるBRACSデータセットの質的,定量的な所見を専門の病理医によって検証した。
論文 参考訳（メタデータ） (2020-11-25T11:13:01Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳（メタデータ） (2020-04-17T11:55:03Z)
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。