論文の概要: Random Expert Sampling for Deep Learning Segmentation of Acute Ischemic Stroke on Non-contrast CT

• arxiv url: http://arxiv.org/abs/2309.03930v1
• Date: Thu, 7 Sep 2023 16:59:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-11 17:07:15.228743
• Title: Random Expert Sampling for Deep Learning Segmentation of Acute Ischemic Stroke on Non-contrast CT
• Title（参考訳）: 非コントラストCTにおける急性虚血性脳卒中深層学習のためのランダムエキスパートサンプリング
• Authors: Sophie Ostmeier, Brian Axelrod, Benjamin Pulli, Benjamin F.J. Verhaaren, Abdelkader Mahammedi, Yongkai Liu, Christian Federau, Greg Zaharchuk, and Jeremy J. Heit
• Abstract要約: 急性期脳梗塞患者233例の非コントラストCTは260例であった。 U-Netベンチマークは、経験豊富な3人の神経放射線学者の基準アノテーションに基づいて、多数決とランダムな専門家サンプリングトレーニングスキームを用いて虚血性脳組織を分別するように訓練された。 ランダムな専門家サンプリングに基づいてトレーニングされたモデルでは、CT灌流に似た非コントラストCT上の急性虚血性脳組織の存在と位置を専門家よりも優れた一貫性で特定することができる。
• 参考スコア（独自算出の注目度）: 2.0296858917615856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: Multi-expert deep learning training methods to automatically quantify ischemic brain tissue on Non-Contrast CT Materials and Methods: The data set consisted of 260 Non-Contrast CTs from 233 patients of acute ischemic stroke patients recruited in the DEFUSE 3 trial. A benchmark U-Net was trained on the reference annotations of three experienced neuroradiologists to segment ischemic brain tissue using majority vote and random expert sampling training schemes. We used a one-sided Wilcoxon signed-rank test on a set of segmentation metrics to compare bootstrapped point estimates of the training schemes with the inter-expert agreement and ratio of variance for consistency analysis. We further compare volumes with the 24h-follow-up DWI (final infarct core) in the patient subgroup with full reperfusion and we test volumes for correlation to the clinical outcome (mRS after 30 and 90 days) with the Spearman method. Results: Random expert sampling leads to a model that shows better agreement with experts than experts agree among themselves and better agreement than the agreement between experts and a majority-vote model performance (Surface Dice at Tolerance 5mm improvement of 61% to 0.70 +- 0.03 and Dice improvement of 25% to 0.50 +- 0.04). The model-based predicted volume similarly estimated the final infarct volume and correlated better to the clinical outcome than CT perfusion. Conclusion: A model trained on random expert sampling can identify the presence and location of acute ischemic brain tissue on Non-Contrast CT similar to CT perfusion and with better consistency than experts. This may further secure the selection of patients eligible for endovascular treatment in less specialized hospitals.
• Abstract（参考訳）: 目的:非コントラストct資料と方法を用いて、虚血性脳組織を自動的に定量化するための多専門家深層学習法: defuse 3 試験で採用した急性期脳卒中患者233名の非コントラストct260例から構成した。 平均値のu-netは、3人の経験豊富な神経放射線科医が多数決とランダムな専門家サンプリング訓練を用いて脳虚血組織を分割するための基準アノテーションに基づいて訓練された。 我々は,一辺のウィルコクソン符号ランク試験をセグメンテーションの指標を用いて,トレーニングスキームのブートストラップ点推定値と専門家間合意値と一貫性分析の分散率を比較した。 さらに,患者サブグループの24h-follow-up DWI(final infarct core)を完全再灌流し,30日後および90日後の臨床成績(mRS)とSpearman法との相関を検証した。 結果: ランダム・エキスパート・サンプリングは専門家同士の合意よりも専門家との合意が良好で、専門家間の合意よりも合意が良好であるモデルにつながり、多数投票モデルの性能が向上する(耐性が5mm改善が61%から0.70+-0.003、dice改善が25%から0.50+-0.004)。 モデルベース予測容積も同様に最終梗塞容積を推定し,CT灌流より臨床結果と相関した。 結論: ランダムな専門家サンプリングに基づいて訓練されたモデルは、CT灌流と類似した非コントラストCT上の急性虚血性脳組織の存在と位置を、専門家よりも優れた一貫性で特定することができる。 これにより、より専門性の低い病院において、血管内治療を受ける患者の選定をさらに確保することができる。

関連論文リスト

• 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)
• Non-inferiority of Deep Learning Acute Ischemic Stroke Segmentation on Non-Contrast CT Compared to Expert Neuroradiologists [5.584243195984352]
  経験豊富な3人の神経放射線学者は、各スキャンで虚血核を反映する低密度を個別に区分した。 NCCTからの専門家Aのセグメンテーションを予測するために,3次元CNNアーキテクチャを訓練し,最適化した。 CNNは、神経放射線学者に匹敵する精度の急性虚血性脳梗塞患者において、NCCTの低濃度虚血核を正確に記述する。
  論文  参考訳（メタデータ） (2022-11-24T18:47:30Z)
• Quantitative CT texture-based method to predict diagnosis and prognosis of fibrosing interstitial lung disease patterns [0.0]
  線維化性間質性肺疾患(ILD)の診断・予後予測のための高分解能定量的CT(QCT)イメージング 40例(通常間質性肺炎20例,非間質性肺炎20例,非間質性肺炎20例)を放射線技師2名による専門的コンセンサスで分類し,7年間経過した。
  論文  参考訳（メタデータ） (2022-06-20T13:27:38Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• Multi-institutional Validation of Two-Streamed Deep Learning Method for Automated Delineation of Esophageal Gross Tumor Volume using planning-CT and FDG-PETCT [14.312659667401302]
  食道悪性腫瘍容積(GTV)コントゥーリングの現況は,高作業コストとユーザ間の変動を手作業で記述することに依存している。 1施設で開発された深層学習(DL)多モード食道GTVコンチューリングモデルの臨床的応用性を検証する。
  論文  参考訳（メタデータ） (2021-10-11T13:56:09Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• A hybrid machine learning/deep learning COVID-19 severity predictive model from CT images and clinical data [0.0]
  患者を非icuとicuの2つのカテゴリーに分類するハイブリッド機械学習/深層学習モデルを開発した。 ベースラインCT画像の3次元患者レベルのCNN分類器を特徴抽出器として用いる。 本モデルは,臨床診断を医師に提供し,結果クラスに属する確率スコアと特徴のケースベースSHAPによる解釈を提供することを目的としている。
  論文  参考訳（メタデータ） (2021-05-13T08:39:56Z)
• A Deep Learning-Based Approach to Extracting Periosteal and Endosteal Contours of Proximal Femur in Quantitative CT Images [25.76523855274612]
  セグメンテーションタスクのために,3次元の終端(3D)完全畳み込みニューラルネットワークを開発した。 同一のネットワーク構造を持つ2つのモデルが訓練され、それぞれ腹腔内輪郭と内皮輪郭に対して97.87%と96.49%のサイコロ類似係数(DSC)を達成した。 大腿骨頚部骨折のリスク予測や有限要素解析などの臨床応用の可能性を示した。
  論文  参考訳（メタデータ） (2021-02-03T10:23:41Z)
• M3Lung-Sys: A Deep Learning System for Multi-Class Lung Pneumonia Screening from CT Imaging [85.00066186644466]
  マルチタスク型マルチスライス深層学習システム(M3Lung-Sys)を提案する。 COVID-19とHealthy, H1N1, CAPとの鑑別に加えて, M3 Lung-Sysも関連病変の部位を特定できる。
  論文  参考訳（メタデータ） (2020-10-07T06:22:24Z)
• 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)
• Automated Quantification of CT Patterns Associated with COVID-19 from Chest CT [48.785596536318884]
  提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。 この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。 このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
  論文  参考訳（メタデータ） (2020-04-02T21:49:14Z)

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。