論文の概要: A 3D deep learning classifier and its explainability when assessing coronary artery disease
- arxiv url: http://arxiv.org/abs/2308.00009v2
- Date: Tue, 26 Nov 2024 19:40:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-28 15:22:44.144610
- Title: A 3D deep learning classifier and its explainability when assessing coronary artery disease
- Title（参考訳）: 冠動脈疾患評価における3次元ディープラーニング分類器とその説明可能性
- Authors: Wing Keung Cheung, Jeremy Kalindjian, Robert Bell, Arjun Nair, Leon J. Menezes, Riyaz Patel, Simon Wan, Kacy Chou, Jiahang Chen, Ryo Torii, Rhodri H. Davies, James C. Moon, Daniel C. Alexander, Joseph Jacob,
- Abstract要約: 冠動脈疾患の早期発見と診断は、命を救い、医療費を削減できる。
現在のほとんどのアプローチはディープラーニング手法を利用しているが、中心線抽出と多平面再構成が必要である。
提案手法は,最先端モデルの分類精度を21.43%向上させる。
- 参考スコア（独自算出の注目度）: 2.749052158388996
- License:
- Abstract: Early detection and diagnosis of coronary artery disease (CAD) could save lives and reduce healthcare costs. The current clinical practice is to perform CAD diagnosis through analysing medical images from computed tomography coronary angiography (CTCA). Most current approaches utilise deep learning methods but require centerline extraction and multi-planar reconstruction. These indirect methods are not designed in a clinician-friendly manner, and they complicate the interventional procedure. Furthermore, the current deep learning methods do not provide exact explainability and limit the usefulness of these methods to be deployed in clinical settings. In this study, we first propose a 3D Resnet-50 deep learning model to directly classify normal subjects and CAD patients on CTCA images, then we demonstrate a 2D modified U-Net model can be subsequently employed to segment the coronary arteries. Our proposed approach outperforms the state-of-the-art models by 21.43% in terms of classification accuracy. The classification model with focal loss provides a better and more focused heat map, and the segmentation model provides better explainability than the classification-only model. The proposed holistic approach not only provides a simpler and clinician-friendly solution but also good classification accuracy and exact explainability for CAD diagnosis.
- Abstract（参考訳）: 冠動脈疾患(CAD)の早期発見と診断は、生命を救い、医療費を削減できる。
現在の診療はCTCA(CTCA)から医用画像を分析しCAD診断を行うことである。
現在のほとんどのアプローチはディープラーニング手法を利用しているが、中心線抽出と多平面再構成が必要である。
これらの間接的手法は、クリニックフレンドリーな方法で設計されておらず、介入手順を複雑にしている。
さらに、現在の深層学習法では、正確な説明性を提供しておらず、臨床環境に展開するためのこれらの方法の有用性を制限していない。
本研究ではまず,CTCA画像上で正常者およびCAD患者を直接分類する3次元Resnet-50深層学習モデルを提案する。
提案手法は,最先端モデルの分類精度を21.43%向上させる。
焦点損失のある分類モデルは、より良く、より焦点を絞ったヒートマップを提供し、セグメンテーションモデルは、分類のみのモデルよりもより良い説明可能性を提供する。
提案手法は, よりシンプルでクリニックフレンドリーなソリューションを提供するだけでなく, CAD診断における分類精度と正確な説明性も向上する。
関連論文リスト
- NeCA: 3D Coronary Artery Tree Reconstruction from Two 2D Projections by Neural Implicit Representation [2.1771042711033997]
2D x線による冠動脈造影は, CVDの診断において最も広く採用されている画像モダリティである。
放射線限界のため、一般的には2つの血管造影プロジェクションのみを取得し、血管形状の限られた情報を提供する。
マルチレゾリューションハッシュエンコーダと差別化可能なコーンビームフォワードプロジェクタ層を用いた暗黙のニューラル表現に基づく,NeCAと呼ばれる自己教師型ディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2024-09-06T20:08:21Z) - Deep Learning-based 3D Coronary Tree Reconstruction from Two 2D Non-simultaneous X-ray Angiography Projections [1.9929038355503754]
心臓血管疾患(CVD)は、世界中で最も多い死因である。
CVDの診断において,侵襲的X線冠動脈造影(ICA)は最も重要な画像モダリティの1つである。
ICAは一般的に2Dプロジェクションしか取得しないため、冠動脈の3D形状は解釈が困難である。
本研究では,非定常投射間における非剛性心・呼吸運動の補正のための新しい深層学習パイプラインを提案する。
論文 参考訳（メタデータ） (2024-07-19T18:18:17Z) - UDCR: Unsupervised Aortic DSA/CTA Rigid Registration Using Deep
Reinforcement Learning and Overlap Degree Calculation [12.201553863670155]
深部強化学習に基づく大動脈DSA/CTA剛性登録のための教師なし手法UDCRを提案する。
アルゴリズム評価のために61組の大動脈DSA/CTAを手動でアノテートした結果,UDCRは平均絶対誤差2.85mm,回転4.35degを達成した。
論文 参考訳（メタデータ） (2024-03-09T01:18:32Z) - On the Localization of Ultrasound Image Slices within Point Distribution
Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い
縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。
3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-01T10:10:46Z) - 3D Coronary Vessel Reconstruction from Bi-Plane Angiography using Graph
Convolutional Networks [1.8244763402770727]
3DAngioNetは、2つのビューから2D XCA画像を使用して高速な3Dコンテナメッシュ再構築を可能にする、新しいディープラーニング(DL)システムである。
提案手法は,効率的なB3-UNetセグメンテーションネットワークとプロジェクションジオメトリを用いて粗いメッシュテンプレートを学習し,グラフ畳み込みネットワークを用いて変形する。
論文 参考訳（メタデータ） (2023-02-28T17:46:25Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳（メタデータ） (2021-11-24T01:14:33Z) - 3D Convolutional Neural Networks for Stalled Brain Capillary Detection [72.21315180830733]
脳毛細血管の血流停止などの脳血管障害は、アルツハイマー病の認知機能低下と病態形成と関連している。
本稿では,3次元畳み込みニューラルネットワークを用いた脳画像中の毛細血管の自動検出のための深層学習に基づくアプローチについて述べる。
本手法は,他の手法よりも優れ,0.85マシューズ相関係数,85%感度,99.3%特異性を達成した。
論文 参考訳（メタデータ） (2021-04-04T20:30:14Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳（メタデータ） (2021-01-14T03:45:01Z) - A Benchmark for Studying Diabetic Retinopathy: Segmentation, Grading,
and Transferability [76.64661091980531]
糖尿病患者は糖尿病網膜症(DR)を発症するリスクがある
コンピュータ支援型DR診断は、DRの早期検出と重度評価のための有望なツールである。
このデータセットは、ピクセルレベルのDR関連病変アノテーションを持つ1,842枚の画像と、6人の眼科医によって評価された画像レベルのラベルを持つ1,000枚の画像を有する。
論文 参考訳（メタデータ） (2020-08-22T07:48:04Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳（メタデータ） (2020-06-25T21:10:04Z) - Weakly-supervised 3D coronary artery reconstruction from two-view
angiographic images [4.722039838364292]
本稿では,3次元冠状動脈モデル構築のための対角的および生成的手法を提案する。
3D完全教師付き学習法と2D弱教師付き学習法により,最先端技術を上回る再現精度を得た。
論文 参考訳（メタデータ） (2020-03-26T11:41:38Z)
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。