論文の概要: SSASS: Semi-Supervised Approach for Stenosis Segmentation

• arxiv url: http://arxiv.org/abs/2311.10281v1
• Date: Fri, 17 Nov 2023 02:01:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 14:59:33.270365
• Title: SSASS: Semi-Supervised Approach for Stenosis Segmentation
• Title（参考訳）: SSASS: 狭窄分節に対する半監督的アプローチ
• Authors: In Kyu Lee, Junsup Shin, Yong-Hee Lee, Jonghoe Ku, Hyun-Woo Kim
• Abstract要約: 冠状動脈構造の複雑さとX線像の固有ノイズが相まって,この課題には大きな課題が生じる。 心血管狭窄セグメンテーションに対する半監督的アプローチを提案する。 自動冠状動脈疾患診断では異常な成績を示した。
• 参考スコア（独自算出の注目度）: 9.767759441883008
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Coronary artery stenosis is a critical health risk, and its precise identification in Coronary Angiography (CAG) can significantly aid medical practitioners in accurately evaluating the severity of a patient's condition. The complexity of coronary artery structures combined with the inherent noise in X-ray images poses a considerable challenge to this task. To tackle these obstacles, we introduce a semi-supervised approach for cardiovascular stenosis segmentation. Our strategy begins with data augmentation, specifically tailored to replicate the structural characteristics of coronary arteries. We then apply a pseudo-label-based semi-supervised learning technique that leverages the data generated through our augmentation process. Impressively, our approach demonstrated an exceptional performance in the Automatic Region-based Coronary Artery Disease diagnostics using x-ray angiography imagEs (ARCADE) Stenosis Detection Algorithm challenge by utilizing a single model instead of relying on an ensemble of multiple models. This success emphasizes our method's capability and efficiency in providing an automated solution for accurately assessing stenosis severity from medical imaging data.
• Abstract（参考訳）: 冠動脈狭窄は重篤な健康リスクであり、冠動脈造影(CAG)における正確な診断は、患者の症状の重症度を正確に評価する医療従事者に役立つ。 冠状動脈構造の複雑さとX線像の固有ノイズは,この課題に対して大きな課題となる。 これらの障害に対処するために,心血管狭窄分節に対する半監督的アプローチを導入する。 我々の戦略は、特に冠状動脈の構造的特徴を再現するために、データ拡張から始まります。 次に,拡張処理によって生成されたデータを活用した擬似ラベル型半教師付き学習手法を適用する。 x-ray angiography image (arcade) 狭窄検出アルゴリズムを用いた冠動脈疾患自動診断において,複数のモデルのアンサンブルに頼るのではなく,単一のモデルを使用することで,極めて優れた性能を示した。 この成功は,医用画像データから狭窄度を正確に評価する自動化ソリューションを提供することにおける,本手法の能力と効率を強調する。

関連論文リスト

• MPSeg : Multi-Phase strategy for coronary artery Segmentation [9.767759441883008]
  冠動脈セグメンテーションのための革新的多相戦略であるMPSegを提案する。 本手法は,これらの構造的複雑度に特化しており,SynTAXスコアの原理に準拠している。 特に, 自動冠状動脈疾患診断では, 異常な効果が認められた。
  論文  参考訳（メタデータ） (2023-11-17T03:33:09Z)
• Multivessel Coronary Artery Segmentation and Stenosis Localisation using Ensemble Learning [3.656984996633334]
  そこで本研究では,MICCAI 2023 Automatic Region-based Coronary Artery Disease(冠状動脈疾患自動診断)のためのエンド・ツー・エンドの機械学習ソリューションを提案する。 X線冠動脈造影による冠動脈分画および狭窄性病変の局在性評価の方法の標準化を目的としている。 冠状動脈セグメンテーションでは平均F1スコアが37.69%、狭窄局所化では39.41%であった。
  論文  参考訳（メタデータ） (2023-10-27T08:03:12Z)
• StenUNet: Automatic Stenosis Detection from X-ray Coronary Angiography [5.430434855741553]
  冠動脈疾患(CAD)の重症度は、その位置、狭窄度(狭窄度)、血管数によって定量化される。 MICCAIの大挑戦:X線アンギオグラフィー(ARCADE)を用いた自動領域ベース冠動脈疾患診断は、狭窄アノテーションを用いたデータセットをキュレートした。 我々は,X線冠動脈造影から狭窄を正確に検出するアーキテクチャとアルゴリズムStenUNetを提案する。
  論文  参考訳（メタデータ） (2023-10-23T14:04:18Z)
• ConvNeXtv2 Fusion with Mask R-CNN for Automatic Region Based Coronary Artery Stenosis Detection for Disease Diagnosis [6.943548662802804]
  我々は、インスタンスセグメンテーションタスクのために事前訓練された専用のConvnext-V2バックボーンベースのMask RCNNモデルを採用する。 この要求タスクにおいて,本手法はF1スコア0.5353を達成する。
  論文  参考訳（メタデータ） (2023-10-07T09:09:05Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• 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)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks [0.0]
  X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。 左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
  論文  参考訳（メタデータ） (2021-03-04T11:45:54Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)

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。