Fugu-MT 論文翻訳(概要): A deep learning approach to using wearable seismocardiography (SCG) for diagnosing aortic valve stenosis and predicting aortic hemodynamics obtained by 4D flow MRI

論文の概要: A deep learning approach to using wearable seismocardiography (SCG) for diagnosing aortic valve stenosis and predicting aortic hemodynamics obtained by 4D flow MRI

arxiv url: http://arxiv.org/abs/2301.02130v1
Date: Thu, 5 Jan 2023 16:18:17 GMT
ステータス: 処理完了
システム内更新日: 2023-01-06 13:52:32.935499
Title: A deep learning approach to using wearable seismocardiography (SCG) for diagnosing aortic valve stenosis and predicting aortic hemodynamics obtained by 4D flow MRI
Title（参考訳）: 大動脈弁狭窄の診断と4次元フローmriによる大動脈血行動態の予測のためのウェアラブルサーモカルジグラフィ(scg)を用いた深部学習
Authors: Mahmoud E. Khani, Ethan M. I. Johnson, Aparna Sodhi, Joshua Robinson, Cynthia K. Rigsby, Bradly D. Allen, Michael Markl
Abstract要約: ウェアラブル心電図(SCG)を用いた4次元血流MRIによる大動脈血流計測値の予測におけるディープラーニングの利用について検討した。深層学習とSCGを用いて得られたVmax値は, 4次元フローMRIで得られたVmax値とよく一致した。このことから,4次元フローMRI検査の補助具として,大動脈弁疾患のスクリーニング具として,低コストのウェアラブルエレクトロニクスを用いたSCGが用いられる可能性が示唆された。
参考スコア（独自算出の注目度）: 3.6739050829208395
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we explored the use of deep learning for the prediction of aortic flow metrics obtained using 4D flow MRI using wearable seismocardiography (SCG) devices. 4D flow MRI provides a comprehensive assessment of cardiovascular hemodynamics, but it is costly and time-consuming. We hypothesized that deep learning could be used to identify pathological changes in blood flow, such as elevated peak systolic velocity Vmax in patients with heart valve diseases, from SCG signals. We also investigated the ability of this deep learning technique to differentiate between patients diagnosed with aortic valve stenosis (AS), non-AS patients with a bicuspid aortic valve (BAV), non-AS patients with a mechanical aortic valve (MAV), and healthy subjects with a normal tricuspid aortic valve (TAV). In a study of 77 subjects who underwent same-day 4D flow MRI and SCG, we found that the Vmax values obtained using deep learning and SCGs were in good agreement with those obtained by 4D flow MRI. Additionally, subjects with TAV, BAV, MAV, and AS could be classified with ROC-AUC values of 92%, 95%, 81%, and 83%, respectively. This suggests that SCG obtained using low-cost wearable electronics may be used as a supplement to 4D flow MRI exams or as a screening tool for aortic valve disease.
Abstract（参考訳）: 本稿では,4次元流mriを用いた大動脈血流計測の予測に,ウェアラブルseismocardiography (scg) 装置を用いたディープラーニングを用いた方法を検討した。 4D Flow MRIは、循環動態を総合的に評価するが、高価で時間を要する。深層学習は,SCG信号から心弁疾患患者において,ピーク収縮速度Vmaxの上昇などの血流の病理学的変化を明らかにするのに有用であると考えられた。また,大動脈弁狭窄症 (AS) と診断された非AS患者 (BAV) , 機械的大動脈弁 (MAV) を有する非AS患者 (MAV) , 正常三尖弁 (TAV) を有する健常者 (TAV) の鑑別について検討した。同日4DフローMRIとSCGを施行した77名の被験者を対象に,ディープラーニングとSCGを用いて得られたVmax値は,4DフローMRIで得られたVmax値とよく一致していた。さらに, tav, bav, mav, asの被験者はそれぞれ92%, 95%, 81%, 83%のroc-auc値で分類した。このことから,4次元フローMRI検査の補助具として,大動脈弁疾患のスクリーニング具として,低コストのウェアラブルエレクトロニクスを用いたSCGが用いられる可能性が示唆された。

関連論文リスト

TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs [49.69047720285225]
そこで本研究では,乳房側葉構造をよりよく近似するために,マルチスケールのトポロジ構造を明示的に抽出する新しいトポロジカルアプローチを提案する。 VICTREファントム乳房データセットを用いてemphTopoTxRを実験的に検証した。本研究の質的および定量的分析は,乳房組織における画像診断におけるトポロジカルな挙動を示唆するものである。
論文参考訳（メタデータ） (2024-11-05T19:35:10Z)
Predicting risk of cardiovascular disease using retinal OCT imaging [40.71667870702634]
将来性心血管疾患(CVD)の予知法としての光コヒーレンス断層撮影の可能性について検討した。我々は,変分オートエンコーダ(VAE)に基づく自己教師型ディープラーニング手法を用いて,高次元 OCT 画像の低次元表現を学習した。 OCT画像で見られる脈絡膜層は,新しいモデル説明可能性アプローチを用いて,今後のCVD事象の予測因子として同定された。
論文参考訳（メタデータ） (2024-03-26T14:42:46Z)
Expanding the deep-learning model to diagnosis LVNC: Limitations and trade-offs [0.0]
心室左室(LVNC)における過形成あるいは非作用は、近年の心筋症の一形態である。各種心筋症に対するDL-LVTQの適応と拡張を行った。
論文参考訳（メタデータ） (2023-11-23T11:01:35Z)
Deep-learning-based acceleration of MRI for radiotherapy planning of pediatric patients with brain tumors [39.58317527488534]
RT専用レシーバコイルアライメントで取得したアンダーサンプルデータからMRI再構成を行う深層学習法を開発した。 DeepMRIRecは、評価された最先端手法を超える構造的類似度スコアを4倍に削減した。
論文参考訳（メタデータ） (2023-11-22T16:01:44Z)
Non-invasive hemodynamic analysis for aortic regurgitation using computational fluid dynamics and deep learning [2.150638298922378]
心臓血管血行動態の変化は大動脈逆流(AR)の発生と密接に関連している 4次元(4次元)流磁気共鳴画像(MRI)を用いて非侵襲的に測定できる。しかし、解像度の低さは、しばしば4次元フローMRIと複雑なAR血行動態の限界によって生じる。これを解決するために、計算流体力学シミュレーションを合成された4次元フローMRIデータに変換し、様々なニューラルネットワークのトレーニングに使用した。
論文参考訳（メタデータ） (2021-11-23T05:19:42Z)
Revealing unforeseen diagnostic image features with deep learning by detecting cardiovascular diseases from apical four-chamber ultrasounds [0.0]
左室機能障害(LV)と大動脈弁閉鎖不全(AV)の自動検出のための深層学習法(DL)を開発した。 2つの畳み込みニューラルネットワーク(CNN)を個別に訓練し,各疾患の正常症例に対する分類を行った。障害型LV機能検出モデルの総合分類精度は86%, AV修復検出モデルでは83%であった。
論文参考訳（メタデータ） (2021-10-25T12:53:45Z)
Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文参考訳（メタデータ） (2021-04-15T12:50:16Z)
Predicting post-operative right ventricular failure using video-based deep learning [9.884447146588542]
術前心エコー検査から得られた全情報密度を用いて,術前右室障害(RV障害)を予測できる映像AIシステムの開発を行った。 0.729の時空、80%の感度で52%の特異度、80%の特異度で感度を達成する。さらに,我々のMLシステムは,独立臨床評価におけるRV障害の予測に携わる人間専門家のチームよりも有意に優れていた。
論文参考訳（メタデータ） (2021-02-28T00:58:53Z)
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)
Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文参考訳（メタデータ） (2020-07-16T17:43:13Z)
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)

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。