論文の概要: AGMN: Association Graph-based Graph Matching Network for Coronary Artery Semantic Labeling on Invasive Coronary Angiograms

• arxiv url: http://arxiv.org/abs/2301.04733v1
• Date: Wed, 11 Jan 2023 21:54:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 13:43:50.846240
• Title: AGMN: Association Graph-based Graph Matching Network for Coronary Artery Semantic Labeling on Invasive Coronary Angiograms
• Title（参考訳）: agmn : アソシエーショングラフに基づく冠動脈セマンティックラベリングのためのグラフマッチングネットワーク
• Authors: Chen Zhao, Zhihui Xu, Jingfeng Jiang, Michele Esposito, Drew Pienta, Guang-Uei Hung, Weihua Zhou
• Abstract要約: 冠状動脈意味的ラベル付けのためのアソシエーショングラフベースのグラフマッチングネットワーク(AGMN)を提案する。 AGMNモデルの平均精度は0.8264、平均精度は0.8276、平均リコールは0.8264、F1スコアは0.8262である。
• 参考スコア（独自算出の注目度）: 3.475534733052516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic labeling of coronary arterial segments in invasive coronary angiography (ICA) is important for automated assessment and report generation of coronary artery stenosis in the computer-aided diagnosis of coronary artery disease (CAD). Inspired by the training procedure of interventional cardiologists for interpreting the structure of coronary arteries, we propose an association graph-based graph matching network (AGMN) for coronary arterial semantic labeling. We first extract the vascular tree from invasive coronary angiography (ICA) and convert it into multiple individual graphs. Then, an association graph is constructed from two individual graphs where each vertex represents the relationship between two arterial segments. Using the association graph, the AGMN extracts the vertex features by the embedding module, aggregates the features from adjacent vertices and edges by graph convolution network, and decodes the features to generate the semantic mappings between arteries. By learning the mapping of arterial branches between two individual graphs, the unlabeled arterial segments are classified by the labeled segments to achieve semantic labeling. A dataset containing 263 ICAs was employed to train and validate the proposed model, and a five-fold cross-validation scheme was performed. Our AGMN model achieved an average accuracy of 0.8264, an average precision of 0.8276, an average recall of 0.8264, and an average F1-score of 0.8262, which significantly outperformed existing coronary artery semantic labeling methods. In conclusion, we have developed and validated a new algorithm with high accuracy, interpretability, and robustness for coronary artery semantic labeling on ICAs.
• Abstract（参考訳）: 冠状動脈病変(CAD)の診断における冠状動脈狭窄の自動評価と報告には,侵襲的冠動脈造影(ICA)における冠状動脈セグメントのセマンティックラベリングが重要である。 冠動脈構造を解釈するための介入的心科医の訓練手順に触発されて,冠動脈意味表示のためのアソシエーショングラフベースグラフマッチングネットワーク (agmn) を提案する。 まず, 侵襲的冠動脈造影(ica)から血管樹を抽出し, 複数の個別グラフに変換する。 次に、各頂点が2つの動脈セグメント間の関係を表す2つの個別グラフから関連グラフを構築する。 関連グラフを用いて、AGMNは埋め込みモジュールによって頂点特徴を抽出し、隣接する頂点とエッジからグラフ畳み込みネットワークによって特徴を集約し、特徴をデコードして動脈間の意味マッピングを生成する。 2つのグラフ間の動脈枝のマッピングを学習することにより、ラベル付き動脈セグメントをラベル付きセグメントで分類し、意味的ラベル付けを実現する。 263 icasを含むデータセットを用いて,提案モデルの学習と検証を行い,5倍のクロスバリデーションを行った。 AGMNモデルでは平均精度0.8264,平均精度0.8276,平均リコール0.8264,F1スコア0.8262を達成し,既存の冠動脈セマンティックラベリング法よりも優れていた。 その結果, ICAを用いた冠動脈セマンティックラベリングの精度, 解釈可能性, 堅牢性を考慮した新しいアルゴリズムを開発した。

関連論文リスト

• Multi-graph Graph Matching for Coronary Artery Semantic Labeling [4.238852424523291]
  冠状動脈意味的ラベル付けのためのマルチグラフグラフマッチング(MGM)アルゴリズムを提案する。 MGMアルゴリズムは、複数の血管木グラフにおける動脈間の類似性を評価し、各グラフ間のサイクル整合性を考慮して評価する。 718 ICAを用いた多地点データセットを用いて冠動脈セマンティックラベリングの精度0.9471の精度を実現した。
  論文  参考訳（メタデータ） (2024-02-24T20:02:00Z)
• Hyper Association Graph Matching with Uncertainty Quantification for Coronary Artery Semantic Labeling [4.9679652736351905]
  ICAを用いた冠状動脈セマンティックラベリングにおける不確実性定量化(HAGMN-UQ)を用いたハイパーアソシエーショングラフマッチングニューラルネットワークの革新的アプローチを提案する。 冠動脈セマンティックラベリングの精度は0.9345,高速推論速度は0。
  論文  参考訳（メタデータ） (2023-08-20T16:59:17Z)
• Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via Volumetric Pseudo-Labeling [66.75096111651062]
  我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。 解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。 得られたセグメンテーションモデルはCXRで顕著な性能を示した。
  論文  参考訳（メタデータ） (2023-06-06T18:01:08Z)
• Coronary Artery Semantic Labeling using Edge Attention Graph Matching Network [4.316187690050619]
  冠状動脈疾患 (CAD) は、世界中の死因の1つである。 本稿では,冠動脈セマンティックラベリングのためのエッジアテンショングラフマッチングネットワーク(EAGMN)を提案する。
  論文  参考訳（メタデータ） (2023-05-21T03:14:42Z)
• Segmentation and Vascular Vectorization for Coronary Artery by Geometry-based Cascaded Neural Network [26.88627331841325]
  そこで本研究では,冠動脈の形状をベースとしたカスケード分割法を提案する。 冠動脈のメッシュは連続的かつ正確であり, ねじれ, 洗練された冠状動脈構造を有する。 本手法は, 分節血管の断片化を伴わない, 正確で無傷でスムーズな冠動脈を作製する。
  論文  参考訳（メタデータ） (2023-05-07T07:26:41Z)
• 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)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)
• Automated Intracranial Artery Labeling using a Graph Neural Network and Hierarchical Refinement [45.85443690049826]
  属性付きリレーショナルグラフにおけるノードとエッジのタイプを分類し,動脈をラベル付けするグラフニューラルネットワーク(GNN)手法を提案する。 我々の手法は97.5%の精度でノードラベリングを行い、63.8%のスキャンはウィリスのすべてのノードに対して正しくラベル付けされた。
  論文  参考訳（メタデータ） (2020-07-11T06:22:35Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。