論文の概要: Development of pericardial fat count images using a combination of three
different deep-learning models
- arxiv url: http://arxiv.org/abs/2307.12316v1
- Date: Sun, 23 Jul 2023 12:57:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-25 16:40:13.584359
- Title: Development of pericardial fat count images using a combination of three
different deep-learning models
- Title(参考訳): 3つの異なるディープラーニングモデルを組み合わせた心膜脂肪数画像の開発
- Authors: Takaaki Matsunaga, Atsushi Kono, Hidetoshi Matsuo, Kaoru Kitagawab,
Mizuho Nishio, Hiromi Hashimura, Yu Izawa, Takayoshi Toba, Kazuki Ishikawab,
Akie Katsuki, Kazuyuki Ohmura, Takamichi Murakami
- Abstract要約: 冠動脈CTを施行した269例について検討した。
CXRから心膜脂肪数画像(PFCI)を生成するために,CycleGANを含む3つの異なるディープラーニングモデルが提案された。
提案手法との比較のために,CXRからPFCIを生成するために,CycleGANをベースとした単一モデルを用いた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rationale and Objectives: Pericardial fat (PF), the thoracic visceral fat
surrounding the heart, promotes the development of coronary artery disease by
inducing inflammation of the coronary arteries. For evaluating PF, this study
aimed to generate pericardial fat count images (PFCIs) from chest radiographs
(CXRs) using a dedicated deep-learning model.
Materials and Methods: The data of 269 consecutive patients who underwent
coronary computed tomography (CT) were reviewed. Patients with metal implants,
pleural effusion, history of thoracic surgery, or that of malignancy were
excluded. Thus, the data of 191 patients were used. PFCIs were generated from
the projection of three-dimensional CT images, where fat accumulation was
represented by a high pixel value. Three different deep-learning models,
including CycleGAN, were combined in the proposed method to generate PFCIs from
CXRs. A single CycleGAN-based model was used to generate PFCIs from CXRs for
comparison with the proposed method. To evaluate the image quality of the
generated PFCIs, structural similarity index measure (SSIM), mean squared error
(MSE), and mean absolute error (MAE) of (i) the PFCI generated using the
proposed method and (ii) the PFCI generated using the single model were
compared.
Results: The mean SSIM, MSE, and MAE were as follows: 0.856, 0.0128, and
0.0357, respectively, for the proposed model; and 0.762, 0.0198, and 0.0504,
respectively, for the single CycleGAN-based model.
Conclusion: PFCIs generated from CXRs with the proposed model showed better
performance than those with the single model. PFCI evaluation without CT may be
possible with the proposed method.
- Abstract(参考訳): Rationale and Objectives: 心臓を囲む胸部内臓脂肪である心膜脂肪(PF)は、冠動脈の炎症を誘発することにより、冠動脈疾患の発生を促進する。
本研究の目的は,胸部X線写真(CXR)から心膜脂肪数画像(PFCI)を専用のディープラーニングモデルを用いて生成することであった。
資料と方法:冠動脈ctを施行した269例について検討した。
金属インプラント,胸水,胸腔内手術歴,悪性腫瘍は除外された。
対象は191例であった。
PFCIは3次元CT像の投影から生成され, 脂肪蓄積は高ピクセル値で表現された。
CXRからPFCIを生成するために,CycleGANを含む3つの異なるディープラーニングモデルを組み合わせた。
提案手法との比較のために,CXRからPFCIを生成するために,CycleGANをベースとした単一モデルを用いた。
生成されたPFCIの画像品質、構造類似度指標(SSIM)、平均二乗誤差(MSE)、平均絶対誤差(MAE)を評価する。
i)提案手法を用いて生成されたPFCI及び
(II) 単一モデルを用いて生成されたPFCIを比較した。
結果: 平均SSIM, MSE, MAEはそれぞれ0.856, 0.0128, 0.0357, それぞれ0.762, 0.0198, 0.0504であった。
結論: 提案モデルを用いてCXRから生成されたPFCIは, 単一モデルよりも優れた性能を示した。
提案手法ではCTのないPFCI評価が可能である。
関連論文リスト
- 3D Lymphoma Segmentation on PET/CT Images via Multi-Scale Information Fusion with Cross-Attention [6.499725732124126]
本研究は,びまん性大細胞型B細胞リンパ腫(DLBCL)の正確な分節法を開発することを目的とする。
シフトウインドウ変換器とマルチスケール情報融合(MSIF)モジュールを用いた3次元デュアルブランチエンコーダセグメンテーション法を提案する。
このモデルは5倍のクロスバリデーションを用いて165名のDLBCL患者のデータセットを用いて訓練および検証を行った。
論文 参考訳(メタデータ) (2024-02-04T05:25:12Z) - Contrast-agent-induced deterministic component of CT-density in the
abdominal aorta during routine angiography: proof of concept study [0.0]
血管内のコントラスト剤の動的挙動を記述するモデルを構築した。
特定の研究の診断値の増大とCTデータ処理ツールの改善に有用である。
論文 参考訳(メタデータ) (2023-10-31T07:59:57Z) - CT-based Subchondral Bone Microstructural Analysis in Knee
Osteoarthritis via MR-Guided Distillation Learning [9.043382067913397]
MRをベースとした軟骨下骨は膝関節症を効果的に予測するが,その臨床応用はMRの費用と時間によって制限される。
単純取得CT画像を用いた軟骨下骨組織解析のための新しい蒸留学習法SRRDを開発した。
Tb. Th, Tb. Sp, Tb. Nはそれぞれ0.804, 0.773, 0.711, 0.622のクラス内相関係数(ICCs)を得た。
論文 参考訳(メタデータ) (2023-07-10T07:54:29Z) - Accurate Fine-Grained Segmentation of Human Anatomy in Radiographs via
Volumetric Pseudo-Labeling [66.75096111651062]
我々は,10,021個の胸部CTと157個のラベルの大規模データセットを作成した。
解剖学的擬似ラベル抽出のために3次元解剖分類モデルのアンサンブルを適用した。
得られたセグメンテーションモデルはCXRで顕著な性能を示した。
論文 参考訳(メタデータ) (2023-06-06T18:01:08Z) - Three-dimensional micro-structurally informed in silico myocardium --
towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。
シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
論文 参考訳(メタデータ) (2022-08-22T22:01:44Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - A framework for quantitative analysis of Computed Tomography images of
viral pneumonitis: radiomic features in COVID and non-COVID patients [0.0]
1028個の胸部CT像を肺抽出のために自動的に分離した。
ガウスモデルを用いて, 肺の正常な部位と重症部位を定量的に表す指標(QM)を算出した。
両側肺から第1,第2次放射線学的特徴(RF)を抽出した。
新型コロナウイルスと非ウイルス性肺炎を分類する人工知能ベースの4つのモデルを開発した。
論文 参考訳(メタデータ) (2021-09-28T15:22:24Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - A Deep Learning-Based Method for Automatic Segmentation of Proximal
Femur from Quantitative Computed Tomography Images [5.731199807877257]
我々は、エンドツーエンドの完全畳み込みニューラルネットワーク(CNN)であるV on-Netに基づく3次元画像分割法を開発した。
提案手法の有効性を評価する実験を行った。
論文 参考訳(メタデータ) (2020-06-09T21:16:47Z) - 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)
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。