論文の概要: Deep learning automated quantification of lung disease in pulmonary
hypertension on CT pulmonary angiography: A preliminary clinical study with
external validation
- arxiv url: http://arxiv.org/abs/2303.11130v1
- Date: Mon, 20 Mar 2023 14:06:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 15:19:50.809968
- Title: Deep learning automated quantification of lung disease in pulmonary
hypertension on CT pulmonary angiography: A preliminary clinical study with
external validation
- Title（参考訳）: CT肺血管造影による肺高血圧症の深層学習自動定量化 : 外的検証による予備的臨床研究
- Authors: Michael J. Sharkey, Krit Dwivedi, Samer Alabed and Andrew J. Swift
- Abstract要約: 本研究は,CTPA(CTPA)における肺テクスチャ分類のための人工知能(AI)深層学習モデルの開発を目的とする。
The Fleishner Society glossary of terms were classified as the "Normal", "Ground glass, "Ground glass with reticulation", "Honeycombing", and "Emphysema" were classified as the Fleishner Society glossary of terms。
各テクスチャに対する肺容積の分布は、肺全容のパッチを分類して算出し、肺小葉全体にわたって粗いテクスチャ分類を作成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: Lung disease assessment in precapillary pulmonary hypertension (PH)
is essential for appropriate patient management. This study aims to develop an
artificial intelligence (AI) deep learning model for lung texture
classification in CT Pulmonary Angiography (CTPA), and evaluate its correlation
with clinical assessment methods.
Materials and Methods: In this retrospective study with external validation,
122 patients with pre-capillary PH were used to train (n=83), validate (n=17)
and test (n=10 internal test, n=12 external test) a patch based DenseNet-121
classification model. "Normal", "Ground glass", "Ground glass with
reticulation", "Honeycombing", and "Emphysema" were classified as per the
Fleishner Society glossary of terms. Ground truth classes were segmented by two
radiologists with patches extracted from the labelled regions. Proportion of
lung volume for each texture was calculated by classifying patches throughout
the entire lung volume to generate a coarse texture classification mapping
throughout the lung parenchyma. AI output was assessed against diffusing
capacity of carbon monoxide (DLCO) and specialist radiologist reported disease
severity.
Results: Micro-average AUCs for the validation, internal test, and external
test were 0.92, 0.95, and 0.94, respectively. The model had consistent
performance across parenchymal textures, demonstrated strong correlation with
diffusing capacity of carbon monoxide (DLCO), and showed good correspondence
with disease severity reported by specialist radiologists.
Conclusion: The classification model demonstrates excellent performance on
external validation. The clinical utility of its output has been demonstrated.
This objective, repeatable measure of disease severity can aid in patient
management in adjunct to radiological reporting.
- Abstract（参考訳）: 目的: 術前肺高血圧症(PH)における肺疾患の評価は適切な患者管理に不可欠である。
肺動脈造影(CTPA)における肺のテクスチャ分類のための人工知能(AI)深層学習モデルを開発し,臨床評価法との相関性を評価することを目的とする。
材料と方法: 本研究は, 虫垂体前PH患者122名(n=83), バリデーション(n=17), テスト(n=10内検, n=12外検)をパッチベースDenseNet-121分類モデルとして用いた。
フレッシュナー協会用語集では,「普通」,「接地ガラス」,「誘惑のある接地ガラス」,「ホニーコーミング」,「気腫」が分類された。
ground truthクラスは2人の放射線科医によって分割され、ラベル付き領域からパッチが抽出された。
各テクスチャに対する肺容積の分布は、肺全容のパッチを分類して算出し、肺小葉全体にわたって粗いテクスチャ分類を作成した。
AIの出力は一酸化炭素(DLCO)の拡散容量に対して評価され、専門医は病気の重症度を報告した。
結果: 検証, 内部試験, 外部試験のマイクロ平均 aucs はそれぞれ 0.92, 0.95, 0.94 であった。
一酸化炭素 (dlco) の拡散能と強い相関を示し, 専門放射線科医が報告した疾患重症度と良好な対応を示した。
結論: 分類モデルは外部検証に優れた性能を示す。
アウトプットの臨床的有用性が実証されている。
この疾患の重篤さの繰り返し測定は、放射線学的報告に付随する患者の管理を助けることができる。
関連論文リスト
- Variational Autoencoders for Feature Exploration and Malignancy
Prediction of Lung Lesions [0.0]
肺がんはイギリスで21%のがん死の原因となっている。
最近の研究は、定期的なスキャンから肺がんの正確な早期診断のためのAI手法の能力を実証している。
本研究では, 変異型オートエンコーダ(VAE)の肺癌病変に対する応用について検討した。
論文 参考訳（メタデータ） (2023-11-27T11:12:33Z) - 3D-Morphomics, Morphological Features on CT scans for lung nodule
malignancy diagnosis [8.728543774561405]
本研究はCTボリュームにおける形態学的特徴(3次元形態学)に基づく病理状態の予測モデルを構築した。
その後、XGBoost教師付き分類器が3次元形態学で訓練され、病理状態を予測する。
肺結節の悪性度と良性度との分類モデルでは, 3D-morphomicsのみを用いて0.964のAUCが得られる。
論文 参考訳（メタデータ） (2022-07-27T23:50:47Z) - Attention based CNN-LSTM Network for Pulmonary Embolism Prediction on
Chest Computed Tomography Pulmonary Angiograms [22.62583095023903]
肺塞栓症(PE)は最も致命的な心血管疾患の一つである。
PE予測のための2段階注目型CNN-LSTMネットワークを提案する。
本フレームワークはマルチスライス手法を用いて放射線診断プロセスのミラーリングを行う。
論文 参考訳（メタデータ） (2021-07-13T17:58:15Z) - CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19
Patients Using Deep Learning [133.87426554801252]
我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。
本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
論文 参考訳（メタデータ） (2021-05-25T12:06:55Z) - Development of a Multi-Task Learning V-Net for Pulmonary Lobar
Segmentation on Computed Tomography and Application to Diseased Lungs [0.19573380763700707]
疾患のある肺領域は、しばしばCT画像に高密度ゾーンを生成し、損傷した葉を特定するアルゴリズムの実行を制限する。
この影響は、肺葉を分節する機械学習手法の改善を動機づけた。
このアプローチは、放射線科医のロバストなツールとして臨床現場で容易に採用することができる。
論文 参考訳（メタデータ） (2021-05-11T17:10:25Z) - Quantification of pulmonary involvement in COVID-19 pneumonia by means
of a cascade oftwo U-nets: training and assessment on multipledatasets using
different annotation criteria [83.83783947027392]
本研究は、新型コロナウイルスの肺病変の同定、セグメント化、定量化のために人工知能(AI)を活用することを目的とする。
2つのU-netのカスケードをベースとした自動解析パイプラインLungQuantシステムを開発した。
LungQuantシステムにおけるCT-Severity Score(CT-SS)の精度も評価した。
論文 参考訳（メタデータ） (2021-05-06T10:21:28Z) - Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。
深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文 参考訳（メタデータ） (2020-08-13T15:45:44Z) - 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) - Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。
このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文 参考訳（メタデータ） (2020-05-24T23:13:16Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z) - Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using
Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。
ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。
新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文 参考訳（メタデータ） (2020-03-26T15:49:32Z)
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。