論文の概要: Deep Learning Pipeline for Preprocessing and Segmenting Cardiac Magnetic
Resonance of Single Ventricle Patients from an Image Registry
- arxiv url: http://arxiv.org/abs/2303.11676v1
- Date: Tue, 21 Mar 2023 08:37:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 15:51:51.120196
- Title: Deep Learning Pipeline for Preprocessing and Segmenting Cardiac Magnetic
Resonance of Single Ventricle Patients from an Image Registry
- Title（参考訳）: 画像レジストリからの単心室患者の前処理および心磁気共鳴セグメンテーションのための深部学習パイプライン
- Authors: Tina Yao, Nicole St. Clair, Gabriel F. Miller, Adam L. Dorfman, Mark
A. Fogel, Sunil Ghelani, Rajesh Krishnamurthy, Christopher Z. Lam, Joshua D.
Robinson, David Schidlow, Timothy C. Slesnick, Justin Weigand, Michael Quail,
Rahul Rathod, Jennifer A. Steeden, Vivek Muthurangu
- Abstract要約: データは3つのディープラーニングモデルを含むパイプラインのトレーニングと評価に使用された。
パイプラインのパフォーマンスは、DiceとIoUのスコアに基づいて、自動化された標準手動セグメンテーションと参照された手動セグメンテーションの間で評価された。
- 参考スコア（独自算出の注目度）: 1.1094040761152786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Purpose: To develop and evaluate an end-to-end deep learning pipeline for
segmentation and analysis of cardiac magnetic resonance images to provide
core-lab processing for a multi-centre registry of Fontan patients.
Materials and Methods: This retrospective study used training (n = 175),
validation (n = 25) and testing (n = 50) cardiac magnetic resonance image exams
collected from 13 institutions in the UK, US and Canada. The data was used to
train and evaluate a pipeline containing three deep-learning models. The
pipeline's performance was assessed on the Dice and IoU score between the
automated and reference standard manual segmentation. Cardiac function values
were calculated from both the automated and manual segmentation and evaluated
using Bland-Altman analysis and paired t-tests. The overall pipeline was
further evaluated qualitatively on 475 unseen patient exams.
Results: For the 50 testing dataset, the pipeline achieved a median Dice
score of 0.91 (0.89-0.94) for end-diastolic volume, 0.86 (0.82-0.89) for
end-systolic volume, and 0.74 (0.70-0.77) for myocardial mass. The deep
learning-derived end-diastolic volume, end-systolic volume, myocardial mass,
stroke volume and ejection fraction had no statistical difference compared to
the same values derived from manual segmentation with p values all greater than
0.05. For the 475 unseen patient exams, the pipeline achieved 68% adequate
segmentation in both systole and diastole, 26% needed minor adjustments in
either systole or diastole, 5% needed major adjustments, and the cropping model
only failed in 0.4%.
Conclusion: Deep learning pipeline can provide standardised 'core-lab'
segmentation for Fontan patients. This pipeline can now be applied to the >4500
cardiac magnetic resonance exams currently in the FORCE registry as well as any
new patients that are recruited.
- Abstract（参考訳）: 目的: 心臓磁気共鳴画像のセグメンテーションと解析のためのエンドツーエンドディープラーニングパイプラインを開発し, 評価し, フォンタン患者のマルチセントレジストレーションのためのコアラブ処理を提供する。
材料と方法: この回顧研究では、英国、米国、カナダの13施設から収集された訓練(n = 175)、検証(n = 25)、検査(n = 50)を用いた。
データは3つのディープラーニングモデルを含むパイプラインのトレーニングと評価に使用された。
パイプラインのパフォーマンスは、自動化された手動セグメンテーションと基準の標準セグメンテーションの間のdiceとiouスコアで評価された。
自動分節と手動分節の両方から心機能値を算出し,bland-altman分析とペアtテストを用いて評価した。
全体のパイプラインはさらに475の患者試験で定性的に評価された。
結果:50試験データセットでは, エンド拡張量0.91(0.89-0.94), エンド収縮量0.86(0.82-0.89), 心筋量0.74(0.70-0.77)であった。
p値が0.05以上である手動セグメンテーションと同じ値と比較して,深層学習由来のエンド・ダイアストリック容積,エンド・シストリック容積,心筋量,脳卒中容積,射出率の統計的差は認められなかった。
475人の患者試験では、パイプラインはシストールとジアストールの両方で68%の十分な分別を達成し、26%はシストールとジアストールのどちらでも微調整が必要で、5%は大きな調整が必要で、クロッピングモデルは0.4%で失敗しただけだった。
結論: 深層学習パイプラインは、フォンタン患者に対して標準化された「コアラブ」セグメンテーションを提供することができる。
このパイプラインは、現在フォース・レジストリに登録されている4500人を超える心臓磁気共鳴検査や、採用されている新しい患者に応用することができる。
関連論文リスト
- An Improved Approach for Cardiac MRI Segmentation based on 3D UNet Combined with Papillary Muscle Exclusion [0.0]
異なるフェーズにおいて、心臓構造を正確にセグメンテーションするための堅牢なアルゴリズムを開発することが重要である。
本研究では,乳頭筋を除いた心筋とLVのセグメンテーションに改良された3次元UNetモデルを導入する。
提案フレームワークの実用試験では, 合計8,400枚の心MRI画像を収集し, 解析した。
論文 参考訳（メタデータ） (2024-10-09T12:19:58Z) - Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。
この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。
本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
論文 参考訳（メタデータ） (2024-03-18T18:09:22Z) - Label-free segmentation from cardiac ultrasound using self-supervised
learning [0.6906005491572401]
コンピュータビジョン,臨床領域知識,深層学習を用いた自己教師型(手動ラベルなし)セグメンテーションのためのパイプラインを構築した。
8,393枚の心エコー画像(4,476,266枚,平均61年,女性51%)を用いて,450枚の心エコー画像(93,000枚)をトレーニングし,生体計測値の算出を行った。
本研究は,超音波からのセグメンテーションのための手動ラベルフリー,臨床的に有効な,高度にスケーラブルな方法であることを示す。
論文 参考訳（メタデータ） (2022-10-10T19:27:37Z) - Osteoporosis Prescreening using Panoramic Radiographs through a Deep
Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。
49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文 参考訳（メタデータ） (2021-10-19T00:03:57Z) - Multi-institutional Validation of Two-Streamed Deep Learning Method for
Automated Delineation of Esophageal Gross Tumor Volume using planning-CT and
FDG-PETCT [14.312659667401302]
食道悪性腫瘍容積(GTV)コントゥーリングの現況は,高作業コストとユーザ間の変動を手作業で記述することに依存している。
1施設で開発された深層学習(DL)多モード食道GTVコンチューリングモデルの臨床的応用性を検証する。
論文 参考訳（メタデータ） (2021-10-11T13:56:09Z) - 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) - Automated Estimation of Total Lung Volume using Chest Radiographs and
Deep Learning [4.874501619350224]
総肺量は重要な定量的バイオマーカーであり、制限肺疾患の評価に使用されます。
このデータセットは、胸部X線写真から肺総量を予測するディープラーニングアーキテクチャのトレーニングに使用された。
今回我々は,最先端のディープラーニングソリューションが胸部x線写真から肺総量を正確に測定できることを初めて実証した。
論文 参考訳（メタデータ） (2021-05-03T21:35:16Z) - 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) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳（メタデータ） (2020-10-21T18:11:36Z) - 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) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。