論文の概要: Automated Real Time Delineation of Supraclavicular Brachial Plexus in
Neck Ultrasonography Videos: A Deep Learning Approach
- arxiv url: http://arxiv.org/abs/2308.03717v1
- Date: Mon, 7 Aug 2023 16:40:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 12:43:46.474983
- Title: Automated Real Time Delineation of Supraclavicular Brachial Plexus in
Neck Ultrasonography Videos: A Deep Learning Approach
- Title（参考訳）: ネック超音波画像における上腕神経叢のリアルタイム自動記述 : 深層学習によるアプローチ
- Authors: Abhay Tyagi, Abhishek Tyagi, Manpreet Kaur, Jayanthi Sivaswami, Richa
Aggarwal, Kapil Dev Soni, Anjan Trikha
- Abstract要約: 本研究は, 上鎖骨・間腕神経叢の系統的スキャンを行った227名の被験者を対象とした。
計41,000の動画フレームが、経験豊富な麻酔科医によって、物体追跡とアクティブな輪郭アルゴリズムによる部分的自動化を用いて注釈付けされた。
深層学習モデルは,頚部超音波画像における上腕神経叢のリアルタイムセグメンテーションに高い精度と信頼性で利用することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Peripheral nerve blocks are crucial to treatment of post-surgical pain and
are associated with reduction in perioperative opioid use and hospital stay.
Accurate interpretation of sono-anatomy is critical for the success of
ultrasound (US) guided peripheral nerve blocks and can be challenging to the
new operators. This prospective study enrolled 227 subjects who were
systematically scanned for supraclavicular and interscalene brachial plexus in
various settings using three different US machines to create a dataset of 227
unique videos. In total, 41,000 video frames were annotated by experienced
anaesthesiologists using partial automation with object tracking and active
contour algorithms. Four baseline neural network models were trained on the
dataset and their performance was evaluated for object detection and
segmentation tasks. Generalizability of the best suited model was then tested
on the datasets constructed from separate US scanners with and without
fine-tuning. The results demonstrate that deep learning models can be leveraged
for real time segmentation of supraclavicular brachial plexus in neck
ultrasonography videos with high accuracy and reliability. Model was also
tested for its ability to differentiate between supraclavicular and adjoining
interscalene brachial plexus. The entire dataset has been released publicly for
further study by the research community.
- Abstract（参考訳）: 末梢神経ブロックは術後痛の治療に不可欠であり,オピオイド周術期使用の減少と入院との関連がある。
生体解剖学の正確な解釈は超音波ガイド下末梢神経ブロックの成功に不可欠であり,新しい術者にとっては困難である。
この先進的な調査では、227人の被験者が3つの異なる米国機械を用いて、上腕骨・間腕神経叢を系統的にスキャンし、227のユニークなビデオのデータセットを作成しました。
経験豊富な麻酔科医は、オブジェクト追跡とアクティブ輪郭アルゴリズムによる部分的な自動化を使用して、合計41,000本のビデオフレームに注釈を付けている。
4つのベースラインニューラルネットワークモデルをデータセット上でトレーニングし、オブジェクトの検出とセグメンテーションタスクのパフォーマンスを評価した。
最適なモデルの一般化性は、細調整なしでUSスキャナーを別々に構築したデータセットでテストされた。
その結果, 頚部超音波画像における上腕神経叢のリアルタイムセグメンテーションに, 深層学習モデルを有効活用できることが示唆された。
モデルはまた、上鎖骨と隣り合う間腕神経叢を区別する能力を試験した。
データセット全体が公開され、研究コミュニティによるさらなる研究が進められている。
関連論文リスト
- A novel open-source ultrasound dataset with deep learning benchmarks for
spinal cord injury localization and anatomical segmentation [1.02101998415327]
ブタ脊髄の矢状切片からなる10,223モード(Bモード)画像の超音波データセットを提案する。
損傷部位をローカライズするために,いくつかの最先端オブジェクト検出アルゴリズムの性能指標をベンチマークした。
ヒトの超音波脊髄画像におけるセグメンテーションモデルのゼロショット一般化能力を評価する。
論文 参考訳（メタデータ） (2024-09-24T20:22:59Z) - Geo-UNet: A Geometrically Constrained Neural Framework for Clinical-Grade Lumen Segmentation in Intravascular Ultrasound [7.760705377465734]
UNetのような現在のセグメンテーションネットワークは、IVUSにおける臨床応用に必要な精度を欠いている。
そこで我々はGeo-UNetフレームワークを提案する。
静脈性IVUSデータセットに対する我々のフレームワークの有効性を,最先端モデルに対して示す。
論文 参考訳（メタデータ） (2024-08-09T02:55:25Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - Collaborative Robotic Biopsy with Trajectory Guidance and Needle Tip
Force Feedback [49.32653090178743]
本報告では, トラジェクトリーガイダンスと審美フィードバックを組み合わせて, 針の配置を補助するロボットバイオプシーシステムについて述べる。
リアルタイムデータ処理のための光コヒーレンストモグラフィーと機械学習に基づいて針先端の力を検出する針の設計。
膵臓のin situ生検を行ない,より小さい,より深いターゲット構造を正確にサンプリングできることを実証した。
論文 参考訳（メタデータ） (2023-06-12T14:07:53Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳（メタデータ） (2023-04-26T14:11:04Z) - Towards Autonomous Atlas-based Ultrasound Acquisitions in Presence of
Articulated Motion [48.52403516006036]
本稿では、自律型ロボットUS手足のスキャンを可能にする視覚ベースのアプローチを提案する。
この目的のために、アノテートされた血管構造を有するヒト腕のアトラスMRIテンプレートを使用して、軌跡を生成する。
いずれの場合も、このシステムはボランティアの手足で計画された血管構造を取得することができる。
論文 参考訳（メタデータ） (2022-08-10T15:39:20Z) - Localizing the Recurrent Laryngeal Nerve via Ultrasound with a Bayesian
Shape Framework [65.19784967388934]
RLN(recurrent laryngeal nerve)の腫瘍浸潤は, 甲状腺摘出術の抗腫瘍剤であり, 標準喉頭鏡による検出が困難である。
本稿では,外科医がRLNを周囲の臓器に従って識別する標準的なアプローチを模倣した,RLNの局所化のための知識駆動型フレームワークを提案する。
実験結果から, 提案手法は, 最先端手法と比較して, 高いヒット率とかなり小さい距離誤差を達成できることが示唆された。
論文 参考訳（メタデータ） (2022-06-30T13:04:42Z) - Brachial Plexus Nerve Trunk Segmentation Using Deep Learning: A
Comparative Study with Doctors' Manual Segmentation [10.18353060771133]
深層学習に基づく腕神経叢分割システム(BPSegSys)を開発した。
BPSegSysは様々な実験で経験者レベルの神経識別性能を達成する。
以上の結果から,BPSegSysは腕神経叢をより正確に同定し,IoUは最大27%改善した。
論文 参考訳（メタデータ） (2022-05-17T07:23:28Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - Impact of Spherical Coordinates Transformation Pre-processing in Deep
Convolution Neural Networks for Brain Tumor Segmentation and Survival
Prediction [0.0]
球面変換入力データを用いたディープ畳み込みニューラルネットワーク(DCNN)のフィード化を目的とした新しい手法を提案する。
本研究では,球面座標変換を前処理法として適用した。
LesionEncoderフレームワークはDCNNモデルから自動的に機能を抽出し、OS予測の0.586精度を実現している。
論文 参考訳（メタデータ） (2020-10-27T00:33:03Z)
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。