論文の概要: Tensor-based Multimodal Learning for Prediction of Pulmonary Arterial Wedge Pressure from Cardiac MRI
- arxiv url: http://arxiv.org/abs/2303.07540v2
- Date: Sat, 6 Apr 2024 19:56:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-10 05:36:49.805993
- Title: Tensor-based Multimodal Learning for Prediction of Pulmonary Arterial Wedge Pressure from Cardiac MRI
- Title(参考訳): 心MRIによる肺動脈圧予測のためのテンソルベースマルチモーダル学習
- Authors: Prasun C. Tripathi, Mohammod N. I. Suvon, Lawrence Schobs, Shuo Zhou, Samer Alabed, Andrew J. Swift, Haiping Lu,
- Abstract要約: 心不全は重篤で生命を脅かす状態であり、左心室の圧力を上昇させる可能性がある。
PAWPは左室の高圧を示す重要な代理マーカーである。
非侵襲的な方法は、人口の多い高リスク患者を迅速に同定するのに有用である。
- 参考スコア(独自算出の注目度): 6.21112347271845
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heart failure is a serious and life-threatening condition that can lead to elevated pressure in the left ventricle. Pulmonary Arterial Wedge Pressure (PAWP) is an important surrogate marker indicating high pressure in the left ventricle. PAWP is determined by Right Heart Catheterization (RHC) but it is an invasive procedure. A non-invasive method is useful in quickly identifying high-risk patients from a large population. In this work, we develop a tensor learning-based pipeline for identifying PAWP from multimodal cardiac Magnetic Resonance Imaging (MRI). This pipeline extracts spatial and temporal features from high-dimensional scans. For quality control, we incorporate an epistemic uncertainty-based binning strategy to identify poor-quality training samples. To improve the performance, we learn complementary information by integrating features from multimodal data: cardiac MRI with short-axis and four-chamber views, and Electronic Health Records. The experimental analysis on a large cohort of $1346$ subjects who underwent the RHC procedure for PAWP estimation indicates that the proposed pipeline has a diagnostic value and can produce promising performance with significant improvement over the baseline in clinical practice (i.e., $\Delta$AUC $=0.10$, $\Delta$Accuracy $=0.06$, and $\Delta$MCC $=0.39$). The decision curve analysis further confirms the clinical utility of our method.
- Abstract(参考訳): 心不全は重篤で生命を脅かす状態であり、左心室の圧力を上昇させる可能性がある。
肺動脈枝圧(PAWP)は左室の高圧を示す重要な代理マーカーである。
PAWPは右心臓カテーテル化(RHC)によって決定されるが、侵襲的な処置である。
非侵襲的な方法は、人口の多い高リスク患者を迅速に同定するのに有用である。
本研究では,マルチモーダル心磁共鳴画像(MRI)からPAWPを同定するテンソル学習ベースのパイプラインを開発する。
このパイプラインは高次元スキャンから空間的特徴と時間的特徴を抽出する。
品質管理には,病的不確実性に基づくビンニング戦略を取り入れ,質の悪いトレーニングサンプルを同定する。
本研究は,複数モーダルデータから,短軸・4軸の心MRI,電子健康記録などの特徴を統合することで,相補的情報を学習する。
PAWP推定のためのRHC手順を施行した1346ドルの被験者の大規模なコホートに関する実験的分析では、提案されたパイプラインは診断値があり、臨床実践におけるベースラインよりも大幅に改善された有望な性能が得られる($\Delta$AUC $=0.10$、$\Delta$Accuracy $=0.06$、$\Delta$MCC $=0.39$)。
判定曲線解析により,本手法の臨床的有用性をさらに確認する。
関連論文リスト
- Interpretable Multimodal Learning for Cardiovascular Hemodynamics Assessment [5.854275745400326]
肺動脈圧 (PAWP) は心不全の診断に必須の指標である。
本稿では,PAWPマーカーを予測するマルチモーダル学習パイプラインを提案する。
論文 参考訳(メタデータ) (2024-04-06T19:42:25Z) - Deep Metric Learning for the Hemodynamics Inference with
Electrocardiogram Signals [14.972877620537686]
我々は、中央の圧力ラベルを伴わない540万以上のECGを含むデータセットを使用して、自己教師型DMLモデルを事前トレーニングします。
8,172mPCWPラベルのECGを用いた教師付きDMLモデルでは,mPCWP回帰タスクの性能が著しく向上した。
論文 参考訳(メタデータ) (2023-08-09T01:30:07Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳(メタデータ) (2021-10-24T18:58:40Z) - Weakly Supervised Attention Model for RV StrainClassification from
volumetric CTPA Scans [2.7554288121906296]
肺塞栓症 (PE) とは、血栓による肺動脈の閉塞をいう。
高リスクPEは急性圧負荷による右室機能障害が原因である。
我々は、RVひずみを自動的に分類する新しいアテンション機構に重点を置いた、弱教師付きディープラーニングアルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-07-26T07:57:31Z) - Controlling False Positive/Negative Rates for Deep-Learning-Based
Prostate Cancer Detection on Multiparametric MR images [58.85481248101611]
そこで本研究では,病変からスライスまでのマッピング機能に基づく,病変レベルのコスト感受性損失と付加的なスライスレベルの損失を組み込んだ新しいPCa検出ネットワークを提案する。
1) 病変レベルFNRを0.19から0.10に, 病変レベルFPRを1.03から0.66に減らした。
論文 参考訳(メタデータ) (2021-06-04T09:51:27Z) - COVID-19 Detection from Chest X-ray Images using Imprinted Weights
Approach [67.05664774727208]
胸部X線撮影は、COVID-19の代替スクリーニング方法です。
コンピュータ支援診断(CAD)は低コストで高速で実現可能であることが証明されている。
この課題に対処するために,インプリント重みという低ショット学習手法を提案する。
論文 参考訳(メタデータ) (2021-05-04T19:01:40Z) - Interpretability of a Deep Learning Model in the Application of Cardiac
MRI Segmentation with an ACDC Challenge Dataset [8.460936676149101]
このプロジェクトは、crdiac構造をセグメント化するように訓練された深層ネットワークから、異なる心臓の状態を示す概念を発見できるかどうかを調べる。
本研究の貢献は,D-TCAV法を心臓MRIアナリシスに応用した新しい方法である。
論文 参考訳(メタデータ) (2021-03-15T17:57:40Z) - Left Ventricular Wall Motion Estimation by Active Polynomials for Acute
Myocardial Infarction Detection [18.93271742586598]
本稿では, 左室壁の大域的運動を, 頑健かつ正確な方法で正確に推定できる新しい手法であるActive Polynomialsを提案する。
提案アルゴリズムは,急性MIの早期診断を支援するために,LV壁セグメントに発生する真の壁運動を定量化する。
論文 参考訳(メタデータ) (2020-08-11T10:29:22Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳(メタデータ) (2020-07-20T19:08:50Z) - 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) - Segmentation for Classification of Screening Pancreatic Neuroendocrine
Tumors [72.65802386845002]
本研究は,腹部CTで膵神経内分泌腫瘍(PNET)を早期に検出するための包括的結果を提示する。
我々の知る限りでは、このタスクは以前まで計算タスクとして研究されていなかった。
我々の手法は最先端のセグメンテーションネットワークより優れ、感度は89.47%、特異性は81.08%である。
論文 参考訳(メタデータ) (2020-04-04T21:21:44Z)
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。