論文の概要: Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use?

• arxiv url: http://arxiv.org/abs/2305.01997v2
• Date: Mon, 8 May 2023 11:05:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 19:49:49.496986
• Title: Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use?
• Title（参考訳）: 心エコー法による容積指標の抽出--臨床応用のための深層学習法とは?
• Authors: Hang Jung Ling, Nathan Painchaud, Pierre-Yves Courand, Pierre-Marc Jodoin, Damien Garcia, Olivier Bernard
• Abstract要約: 提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは日常的な臨床機器の基準を満たす最初の自動化ツールとなる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 6.144041824426555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based methods have spearheaded the automatic analysis of echocardiographic images, taking advantage of the publication of multiple open access datasets annotated by experts (CAMUS being one of the largest public databases). However, these models are still considered unreliable by clinicians due to unresolved issues concerning i) the temporal consistency of their predictions, and ii) their ability to generalize across datasets. In this context, we propose a comprehensive comparison between the current best performing methods in medical/echocardiographic image segmentation, with a particular focus on temporal consistency and cross-dataset aspects. We introduce a new private dataset, named CARDINAL, of apical two-chamber and apical four-chamber sequences, with reference segmentation over the full cardiac cycle. We show that the proposed 3D nnU-Net outperforms alternative 2D and recurrent segmentation methods. We also report that the best models trained on CARDINAL, when tested on CAMUS without any fine-tuning, still manage to perform competitively with respect to prior methods. Overall, the experimental results suggest that with sufficient training data, 3D nnU-Net could become the first automated tool to finally meet the standards of an everyday clinical device.
• Abstract（参考訳）: 深層学習に基づく手法は、専門家によって注釈付けされた複数のオープンアクセスデータセット(CAMUSは最大のパブリックデータベースの1つである)の公開を利用して、心エコー画像の自動解析を先導している。 しかし、これらのモデルは未解決の問題から、いまだに臨床医からは信頼できないと見なされている。 一 予測の時間的整合性及び 二 データセットをまたいで一般化する能力。 本稿では,医用/心電図画像のセグメンテーションにおける現在最高の手法と,時間的整合性およびデータセット横断性に着目した総合的な比較法を提案する。 CARDINALという新しいプライベートデータセットを導入し,全心循環に基準セグメンテーションを施した2-chamberと4-chamberの2-chamber配列を解析した。 提案した3D nnU-Netは,2D法と繰り返しセグメンテーション法よりも優れていることを示す。 また,カージナルでトレーニングされた最善のモデルは,微調整を行わずにcamus上でテストした場合も,従来手法との競争力が保たれていることも報告した。 実験の結果、十分なトレーニングデータがあれば、3D nnU-Netは最終的に日常的な臨床機器の基準を満たす最初の自動化ツールになる可能性が示唆された。

関連論文リスト

• Reliable Multi-View Learning with Conformal Prediction for Aortic Stenosis Classification in Echocardiography [6.540741143328299]
  得られた画像は、しばしば3次元解剖学の2次元断面であり、重要な解剖学的詳細を欠いている可能性がある。 トレーニングセット内の弱い情報入力に不確実性を導入するデータ中心の手法であるRe-Training for Uncertainty (RT4U)を提案する。 共形予測技術と組み合わせると、RT4Uは、基底真理クラスを含むことが保証される適応的な大きさの予測セットを高精度に得ることができる。
  論文  参考訳（メタデータ） (2024-09-15T10:06:06Z)
• Improved Robustness for Deep Learning-based Segmentation of Multi-Center Myocardial Perfusion MRI Datasets Using Data Adaptive Uncertainty-guided Space-time Analysis [0.24285581051793656]
  灌流データセットの完全な自動解析により、患者のストレス/レスト研究の迅速かつ客観的な報告が可能になる。 トレーニングデータやソフトウェアやハードウェアのバリエーションが限られているにもかかわらず、マルチセンタデータセットを分析できるディープラーニング技術は、現在進行中の課題である。 提案したDAUGS分析手法は,多心応力灌流データセットのセグメンテーションのためのディープラーニング手法の堅牢性を向上させる可能性を秘めている。
  論文  参考訳（メタデータ） (2024-08-09T01:21:41Z)
• Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
  既存のディープラーニングソリューションには,3つの大きな制限がある。 我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。 フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
  論文  参考訳（メタデータ） (2024-01-01T10:20:01Z)
• Unlocking the Heart Using Adaptive Locked Agnostic Networks [4.613517417540153]
  医用画像アプリケーションのためのディープラーニングモデルの教師付きトレーニングには、かなりの量のラベル付きデータが必要である。 この制限に対処するため、Adaptive Locked Agnostic Network (ALAN)を導入する。 ALANは、大きなバックボーンモデルを用いて、堅牢なセマンティック・セグメンテーションを生成する自己教師付き視覚特徴抽出を含む。 自監督型背骨モデルでは, 心臓の解剖学的部分領域を円錐四面体視で強く同定することがわかった。
  論文  参考訳（メタデータ） (2023-09-21T09:06:36Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Few-shot image segmentation for cross-institution male pelvic organs using registration-assisted prototypical learning [13.567073992605797]
  本研究は,医用画像のための最初の3D画像間セグメンテーションネットワークを提案する。 興味のある8つの領域を持つ前立腺がん患者のラベル付き多施設データセットを使用する。 内蔵登録機構は、被験者間の一貫性のある解剖学の事前知識を効果的に活用することができる。
  論文  参考訳（メタデータ） (2022-01-17T11:44:10Z)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Interactive Segmentation for COVID-19 Infection Quantification on Longitudinal CT scans [40.721386089781895]
  病状進行と治療に対する反応を正確に評価するためには,複数の時点にまたがる患者のCTスキャンの連続的セグメンテーションが不可欠である。 既存の医用画像の自動および対話的セグメンテーションモデルでは、単一の時点からのデータのみを使用する(静的)。 本稿では,過去の情報をすべて活用し,フォローアップスキャンのセグメンテーションを改良する,インタラクティブセグメンテーションのための新しい単一ネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-03T08:06:38Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。