論文の概要: Expanding the deep-learning model to diagnosis LVNC: Limitations and
trade-offs
- arxiv url: http://arxiv.org/abs/2311.13912v1
- Date: Thu, 23 Nov 2023 11:01:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-28 00:08:22.025682
- Title: Expanding the deep-learning model to diagnosis LVNC: Limitations and
trade-offs
- Title（参考訳）: LVNC診断のためのディープラーニングモデルの拡張:限界とトレードオフ
- Authors: Gregorio Bernab\'e and Pilar Gonz\'alez-F\'erez and Jos\'e M. Garc\'ia
and Guillem Casas and Josefa Gonz\'alez-Carrillo
- Abstract要約: 心室左室(LVNC)における過形成あるいは非作用は、近年の心筋症の一形態である。
各種心筋症に対するDL-LVTQの適応と拡張を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Hyper-trabeculation or non-compaction in the left ventricle of the myocardium
(LVNC) is a recently classified form of cardiomyopathy. Several methods have
been proposed to quantify the trabeculae accurately in the left ventricle, but
there is no general agreement in the medical community to use a particular
approach. In previous work, we proposed DL-LVTQ, a deep learning approach for
left ventricular trabecular quantification based on a U-Net CNN architecture.
DL-LVTQ was an automatic diagnosis tool developed from a dataset of patients
with the same cardiomyopathy (hypertrophic cardiomyopathy).
In this work, we have extended and adapted DL-LVTQ to cope with patients with
different cardiomyopathies. The dataset consists of up 379 patients in three
groups with different particularities and cardiomyopathies. Patient images were
taken from different scanners and hospitals. We have modified and adapted the
U-Net convolutional neural network to account for the different particularities
of a heterogeneous group of patients with various unclassifiable or mixed and
inherited cardiomyopathies.
The inclusion of new groups of patients has increased the accuracy,
specificity and kappa values while maintaining the sensitivity of the automatic
deep learning method proposed. Therefore, a better-prepared diagnosis tool is
ready for various cardiomyopathies with different characteristics.
Cardiologists have considered that 98.9% of the evaluated outputs are verified
clinically for diagnosis. Therefore, the high precision to segment the
different cardiac structures allows us to make a robust diagnostic system
objective and faster, decreasing human error and time spent.
- Abstract（参考訳）: 心室左室(LVNC)における過形成あるいは非作用は、近年の心筋症の一形態である。
左心室における気管の定量化にはいくつかの方法が提案されているが、特定のアプローチを用いるための一般の合意はない。
U-Net CNNアーキテクチャに基づく左室トラベキュラー定量化のための深層学習手法であるDL-LVTQを提案する。
DL-LVTQは、同じ心筋症(肥大型心筋症)患者のデータセットから開発された自動診断ツールである。
本研究は, DL-LVTQを拡張, 適応し, 異なる心筋症に対処した。
このデータセットは、3つのグループに379人の患者から成り、異なる特質と心筋症を呈する。
患者画像は異なるスキャナーと病院から撮影された。
我々は,u-net畳み込みニューラルネットワークを改良し,様々な分類不能・混合・遺伝性心筋症患者の異種集団の特異性を考慮した。
提案した自動深層学習法の感度を維持しつつ,新たな患者グループを取り入れることで精度,特異性,カッパ値が向上した。
したがって、異なる特徴を有する様々な心筋疾患に対して、より良好な診断ツールが準備されている。
心臓科医は、評価されたアウトプットの98.9%が臨床的に診断のために検証されていると考えている。
したがって, 心臓組織を分割する精度が高いことにより, 堅牢な診断システムを客観的かつ高速にし, 人的ミスや時間の短縮を図ることができる。
関連論文リスト
- Advanced Neural Network Architecture for Enhanced Multi-Lead ECG Arrhythmia Detection through Optimized Feature Extraction [0.0]
不規則な心臓リズムを特徴とする不整脈は、深刻な診断課題を呈する。
本研究では,不整脈分類の複雑さに対処するために,ディープラーニング技術を活用した革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-13T19:56:15Z) - Predicting risk of cardiovascular disease using retinal OCT imaging [40.71667870702634]
将来性心血管疾患(CVD)の予知法としての光コヒーレンス断層撮影の可能性について検討した。
我々は,変分オートエンコーダ(VAE)に基づく自己教師型ディープラーニング手法を用いて,高次元 OCT 画像の低次元表現を学習した。
OCT画像で見られる脈絡膜層は,新しいモデル説明可能性アプローチを用いて,今後のCVD事象の予測因子として同定された。
論文 参考訳（メタデータ） (2024-03-26T14:42:46Z) - An Algorithm for the Labeling and Interactive Visualization of the
Cerebrovascular System of Ischemic Strokes [59.116811751334225]
VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。
閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。
本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
論文 参考訳（メタデータ） (2022-04-26T14:20:26Z) - AI-enabled Assessment of Cardiac Systolic and Diastolic Function from
Echocardiography [1.0082848901582044]
左室機能(LV)は, 心疾患患者の管理, 予後, 長期生存において重要な因子である。
最近発表された心不全に関する臨床ガイドラインは、心機能の1つの尺度のみに依存することが最適であることを認めている。
近年,AIを用いた心エコー図法が進歩し,LV容積とLV放出率の自動推定に優れた結果が得られた。
論文 参考訳（メタデータ） (2022-03-21T10:59:48Z) - 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) - Predicting post-operative right ventricular failure using video-based
deep learning [9.884447146588542]
術前心エコー検査から得られた全情報密度を用いて,術前右室障害(RV障害)を予測できる映像AIシステムの開発を行った。
0.729の時空、80%の感度で52%の特異度、80%の特異度で感度を達成する。
さらに,我々のMLシステムは,独立臨床評価におけるRV障害の予測に携わる人間専門家のチームよりも有意に優れていた。
論文 参考訳（メタデータ） (2021-02-28T00:58:53Z) - Spatio-temporal Multi-task Learning for Cardiac MRI Left Ventricle
Quantification [6.887389908965403]
心左心室(LV)形態の完全な測定セットを得るための学習時型マルチタスクアプローチを提案します。
まず,エンコーダデコーダネットワークを用いてLVを分割し,11のLV指標を回帰し,心相を分類する枠組みを導入する。
提案モデルは,mr画像から空間的特徴と特徴を抽出する3次元時空間畳み込みに基づく。
論文 参考訳（メタデータ） (2020-12-24T17:48:35Z) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳（メタデータ） (2020-11-17T16:15:49Z) - Identification of Ischemic Heart Disease by using machine learning
technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。
最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文 参考訳（メタデータ） (2020-10-29T19:14:41Z) - 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。