論文の概要: Multi-objective point cloud autoencoders for explainable myocardial infarction prediction

• arxiv url: http://arxiv.org/abs/2307.11017v1
• Date: Thu, 20 Jul 2023 16:45:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-21 12:00:19.573478
• Title: Multi-objective point cloud autoencoders for explainable myocardial infarction prediction
• Title（参考訳）: 心筋梗塞予測のための多目的ポイントクラウドオートエンコーダ
• Authors: Marcel Beetz, Abhirup Banerjee, Vicente Grau
• Abstract要約: 心筋梗塞は世界で最も多い死因の1つである。 画像ベースのバイオマーカーは、心臓の3D解剖においてより複雑なパターンを捉えることができない。 本稿では,多目的クラウドオートエンコーダについて,説明可能な梗塞予測のための新しい幾何学的深層学習手法として紹介する。
• 参考スコア（独自算出の注目度）: 4.65840670565844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Myocardial infarction (MI) is one of the most common causes of death in the world. Image-based biomarkers commonly used in the clinic, such as ejection fraction, fail to capture more complex patterns in the heart's 3D anatomy and thus limit diagnostic accuracy. In this work, we present the multi-objective point cloud autoencoder as a novel geometric deep learning approach for explainable infarction prediction, based on multi-class 3D point cloud representations of cardiac anatomy and function. Its architecture consists of multiple task-specific branches connected by a low-dimensional latent space to allow for effective multi-objective learning of both reconstruction and MI prediction, while capturing pathology-specific 3D shape information in an interpretable latent space. Furthermore, its hierarchical branch design with point cloud-based deep learning operations enables efficient multi-scale feature learning directly on high-resolution anatomy point clouds. In our experiments on a large UK Biobank dataset, the multi-objective point cloud autoencoder is able to accurately reconstruct multi-temporal 3D shapes with Chamfer distances between predicted and input anatomies below the underlying images' pixel resolution. Our method outperforms multiple machine learning and deep learning benchmarks for the task of incident MI prediction by 19% in terms of Area Under the Receiver Operating Characteristic curve. In addition, its task-specific compact latent space exhibits easily separable control and MI clusters with clinically plausible associations between subject encodings and corresponding 3D shapes, thus demonstrating the explainability of the prediction.
• Abstract（参考訳）: 心筋梗塞(mi)は、世界で最も一般的な死因の1つである。 クリニックで一般的に使用される画像ベースのバイオマーカー、例えば放出分画は、心臓の3D解剖学におけるより複雑なパターンを捉えることができず、診断精度が制限される。 本稿では,心臓解剖学と機能学の多クラス3dポイントクラウド表現に基づいて,梗塞予測のための新しい幾何学的深層学習手法として,多目的ポイントクラウドオートエンコーダを提案する。 そのアーキテクチャは、低次元の潜在空間で接続された複数のタスク固有の分岐で構成され、リコンストラクションとmi予測の両方の効果的な多目的学習を可能にし、また、解釈可能な潜在空間で病理学的に特異的な3d形状情報をキャプチャする。 さらに、ポイントクラウドベースのディープラーニング操作を備えた階層的ブランチ設計により、高分解能の解剖学的ポイントクラウド上で直接、効率的なマルチスケール機能学習が可能になる。 大規模な英国バイオバンクデータセットを用いた実験では,マルチオブジェクト・ポイント・クラウド・オートエンコーダは,画像の画素解像度より下方にある予測と入力の解剖学の間のチャムファー距離で,複数の時間的3次元形状を正確に再構成することができる。 提案手法は,入射MI予測処理における複数の機械学習および深層学習ベンチマークを,受信者動作曲線の下での面積で19%向上させる。 また,そのタスクに特有なコンパクトな潜在性空間は,対象の符号化と対応する3次元形状との間に臨床的に妥当な関係を持つ分離可能な制御およびmiクラスターを示し,その予測可能性を示す。

関連論文リスト

• μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation [2.012378666405002]
  X線計算マイクロトモグラフィー(mu-CT)は、医学および生物学的サンプルの内部解剖の高解像度な3D画像を生成する非破壊的手法である。 3D画像から関連情報を抽出するには、興味のある領域のセマンティックセグメンテーションが必要である。 本稿では、畳み込みニューラルネットワーク(CNN)を用いて、Carassius auratusの心臓の完全な形態を自動分割する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-24T15:29:08Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Modeling 3D cardiac contraction and relaxation with point cloud deformation networks [4.65840670565844]
  本稿では,3次元心収縮と緩和をモデル化する新しい幾何学的深層学習手法として,ポイントクラウド変形ネットワーク(PCD-Net)を提案する。 英国バイオバンクの調査から,1万件以上の症例の大規模データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2023-07-20T14:56:29Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• PointMCD: Boosting Deep Point Cloud Encoders via Multi-view Cross-modal Distillation for 3D Shape Recognition [55.38462937452363]
  本稿では,教師として事前訓練されたディープイメージエンコーダ,学生としてディープポイントエンコーダを含む多視点クロスモーダル蒸留アーキテクチャを提案する。 複数ビューの視覚的および幾何学的記述子をペアワイズにアライメントすることで、より強力なディープポイントエンコーダを、疲労や複雑なネットワーク修正を伴わずに得ることができる。
  論文  参考訳（メタデータ） (2022-07-07T07:23:20Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Lymphoma segmentation from 3D PET-CT images using a deep evidential network [20.65641432056608]
  3Dポジトロン・エミッション・トモグラフィ(PET)画像とCT画像から悪性リンパ腫を分離するために, 自動顕在性セグメンテーション法を提案する。 アーキテクチャは、深い特徴抽出モジュールと明らかな層から構成される。 提案手法の深部特徴抽出と明らかなセグメンテーションの組み合わせは,ベースラインUNetモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-31T09:34:38Z)
• SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
  無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。 SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
  論文  参考訳（メタデータ） (2021-11-26T13:47:34Z)
• Deep learning based geometric registration for medical images: How accurate can we get without visual features? [5.05806585671215]
  ディープラーニングは、画像登録のための新しいアプローチの開発を推進している。 本稿では,幾何学的特徴と最適化のみに基づく登録のための深層学習フレームワークを検討することで,正反対のアプローチを検討する。 実験では, 肺内構造の複雑なキーポイントグラフを用いて, 高密度エンコーダ・デコーダネットワークや他のポイントセット登録法を強力に上回って検証を行った。
  論文  参考訳（メタデータ） (2021-03-01T10:15:47Z)
• VC-Net: Deep Volume-Composition Networks for Segmentation and Visualization of Highly Sparse and Noisy Image Data [13.805816310795256]
  本稿では,3次元微小血管のロバスト抽出のためのエンドツーエンド深層学習手法VC-Netを提案する。 中心となる新規性は、ボリューム可視化技術(MIP)を自動利用して、3Dデータ探索を強化することである。 マルチストリーム畳み込みニューラルネットワークは、それぞれ3次元体積と2次元MIPの特徴を学習し、その相互依存性を結合体積-合成埋め込み空間で探索するために提案される。
  論文  参考訳（メタデータ） (2020-09-14T04:15:02Z)
• 4D Spatio-Temporal Convolutional Networks for Object Position Estimation in OCT Volumes [69.62333053044712]
  3次元畳み込みニューラルネットワーク(CNN)は、単一のOCT画像を用いたマーカーオブジェクトのポーズ推定に有望な性能を示した。 我々は3次元CNNを4次元時間CNNに拡張し、マーカーオブジェクト追跡のための追加の時間情報の影響を評価する。
  論文  参考訳（メタデータ） (2020-07-02T12:02:20Z)

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。