論文の概要: An open-source deep learning algorithm for efficient and fully-automatic analysis of the choroid in optical coherence tomography

• arxiv url: http://arxiv.org/abs/2307.00904v3
• Date: Sun, 29 Oct 2023 11:01:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-31 21:03:37.269193
• Title: An open-source deep learning algorithm for efficient and fully-automatic analysis of the choroid in optical coherence tomography
• Title（参考訳）: 光コヒーレンストモグラフィにおけるコロイドの効率的かつ完全自動解析のためのオープンソース深層学習アルゴリズム
• Authors: Jamie Burke, Justin Engelmann, Charlene Hamid, Megan Reid-Schachter, Tom Pearson, Dan Pugh, Neeraj Dhaun, Stuart King, Tom MacGillivray, Miguel O. Bernabeu, Amos Storkey, Ian J.C. MacCormick
• Abstract要約: 我々は,光コヒーレンストモグラフィー(OCT)データにおける脈絡膜領域分割のための,オープンソースの完全自動ディープラーニングアルゴリズムであるDeepGPETを開発した。
• 参考スコア（独自算出の注目度）: 3.951995351344523
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Purpose: To develop an open-source, fully-automatic deep learning algorithm, DeepGPET, for choroid region segmentation in optical coherence tomography (OCT) data. Methods: We used a dataset of 715 OCT B-scans (82 subjects, 115 eyes) from 3 clinical studies related to systemic disease. Ground truth segmentations were generated using a clinically validated, semi-automatic choroid segmentation method, Gaussian Process Edge Tracing (GPET). We finetuned a UNet with MobileNetV3 backbone pre-trained on ImageNet. Standard segmentation agreement metrics, as well as derived measures of choroidal thickness and area, were used to evaluate DeepGPET, alongside qualitative evaluation from a clinical ophthalmologist. Results: DeepGPET achieves excellent agreement with GPET on data from 3 clinical studies (AUC=0.9994, Dice=0.9664; Pearson correlation of 0.8908 for choroidal thickness and 0.9082 for choroidal area), while reducing the mean processing time per image on a standard laptop CPU from 34.49s ($\pm$15.09) using GPET to 1.25s ($\pm$0.10) using DeepGPET. Both methods performed similarly according to a clinical ophthalmologist, who qualitatively judged a subset of segmentations by GPET and DeepGPET, based on smoothness and accuracy of segmentations. Conclusions: DeepGPET, a fully-automatic, open-source algorithm for choroidal segmentation, will enable researchers to efficiently extract choroidal measurements, even for large datasets. As no manual interventions are required, DeepGPET is less subjective than semi-automatic methods and could be deployed in clinical practice without necessitating a trained operator.
• Abstract（参考訳）: 目的:光コヒーレンストモグラフィー(OCT)データにおける脈絡膜領域分割のためのオープンソースの完全自動ディープラーニングアルゴリズムであるDeepGPETを開発すること。 方法: 全身疾患に関連する3つの臨床研究から, 715 oct b-scans (82名, 115眼) のデータセットを用いた。 臨床的に検証された半自動コロイドセグメンテーション法であるガウスプロセスエッジトレーシング(GPET)を用いて,地中真実セグメンテーションを作成した。 ImageNetで事前トレーニングされたMobileNetV3バックボーンでUNetを微調整した。 臨床眼科医からの質的評価とともに,標準セグメンテーション合意尺度,および脈絡膜厚と面積の導出指標を用いてDeepGPETの評価を行った。 結果: deepgpetは3つの臨床研究(auc=0.9994, dice=0.9664; pearson correlation of 0.8908 (choroidal thickness), 0.9082 (choroidal area)))のデータをgpetとよく一致させ、標準ラップトップcpu上の画像あたりの平均処理時間を34.49s (\pm$15.09) からdeepgpetを使用した1.25s (\pm$0.10) に短縮した。 GPETとDeepGPETによるセグメンテーションのサブセットを、スムーズさと精度に基づいて定性的に判断した臨床眼科医にも同様に行われた。 結論:deepgpetは、コーロイダルセグメンテーションのための完全に自動的なオープンソースアルゴリズムであり、大規模なデータセットでも効率的にコーロイダル計測を抽出できる。 手動による介入は必要ないため、deepgpetは半自動的な方法よりも主観的ではなく、訓練されたオペレーターを必要とせずに臨床に展開できる。

関連論文リスト

• An edge detection-based deep learning approach for tear meniscus height measurement [20.311238180811404]
  深層学習フレームワークにおけるエッジ検出支援アノテーションに基づく自動TMH計測手法を提案する。 瞳孔領域と裂孔領域のセグメンテーションを改善するために、畳み込みニューラルネットワークInceptionv3が最初に実装された。 このアルゴリズムは、その品質に基づいて画像を自動的にスクリーニングし、瞳孔と涙孔領域を分離し、TMHを自動的に測定する。
  論文  参考訳（メタデータ） (2024-03-23T14:16:26Z)
• Weakly supervised segmentation of intracranial aneurysms using a novel 3D focal modulation UNet [0.5106162890866905]
  本稿では,新しい3次元焦点変調UNetであるFocalSegNetを提案する。 UIA検出では偽陽性率は0.21で感度は0.80であった。
  論文  参考訳（メタデータ） (2023-08-06T03:28:08Z)
• Whole-body tumor segmentation of 18F -FDG PET/CT using a cascaded and ensembled convolutional neural networks [2.735686397209314]
  本研究の目的は、18F-FDG PET/CT画像全体において癌疑い領域を自動的に分割するディープニューラルネットワークの性能を報告することである。 PET/CT画像を6mmの解像度で3D UNET CNNの重ね合わせで処理するケースドアプローチを開発した。
  論文  参考訳（メタデータ） (2022-10-14T19:25:56Z)
• Are Macula or Optic Nerve Head Structures better at Diagnosing Glaucoma? An Answer using AI and Wide-Field Optical Coherence Tomography [48.7576911714538]
  我々は3次元広視野CTスキャンで視神経頭部(ONH)と黄斑構造を自動的に分割する深層学習アルゴリズムを開発した。 分類アルゴリズムにより,ONHおよび黄斑組織を0.94$pm$0.003のDCで分画することができた。 これにより3次元広視野CTスキャンが主流となる可能性がある。
  論文  参考訳（メタデータ） (2022-10-13T01:51:29Z)
• Slice-by-slice deep learning aided oropharyngeal cancer segmentation with adaptive thresholding for spatial uncertainty on FDG PET and CT images [0.0]
  腫瘍セグメンテーションは放射線治療計画の基本的なステップである。 本研究は,GTVpスライス・バイ・スライス・スライス・スライス・セグメンテーションにおける放射線医学者を支援するための新しい自動深層学習(DL)モデルを提案する。
  論文  参考訳（メタデータ） (2022-07-04T15:17:44Z)
• Medical Application of Geometric Deep Learning for the Diagnosis of Glaucoma [60.42955087779866]
  シンガポール国立眼科における視神経頭部の3DスキャンをSpectralis OCTで477緑内障と2,296名の非緑内障患者に対して行った。 全巻は、ディープラーニングを用いて自動的にセグメンテーションされ、7つの主要な神経組織と結合組織が識別された。 ポイントネットは、3Dポイントクラウドとして表されるONHのみから頑健な緑内障の診断を行うことができた。
  論文  参考訳（メタデータ） (2022-04-14T14:55:25Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Systematic Clinical Evaluation of A Deep Learning Method for Medical Image Segmentation: Radiosurgery Application [48.89674088331313]
  3次元医用画像分割作業において,Deep Learning (DL) 手法を体系的に評価した。 本手法は放射線外科治療プロセスに統合され,臨床ワークフローに直接影響を及ぼす。
  論文  参考訳（メタデータ） (2021-08-21T16:15:40Z)
• Convolutional neural network based deep-learning architecture for intraprostatic tumour contouring on PSMA PET images in patients with primary prostate cancer [3.214308133129678]
  本研究の目的は,PSMA-PETにおけるGTVの自動分割のための畳み込みニューラルネットワーク(CNN)を開発することである。 CNNは, [68Ga]PSMA-PETと[18F]PSMA-PETを用いて, 2施設152症例の訓練を行った。
  論文  参考訳（メタデータ） (2020-08-07T14:32:14Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)
• 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)

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。