Fugu-MT 論文翻訳(概要): Choroidalyzer: An open-source, end-to-end pipeline for choroidal analysis in optical coherence tomography

論文の概要: Choroidalyzer: An open-source, end-to-end pipeline for choroidal analysis in optical coherence tomography

arxiv url: http://arxiv.org/abs/2312.02956v1
Date: Tue, 5 Dec 2023 18:40:40 GMT
ステータス: 処理完了
システム内更新日: 2023-12-06 14:47:55.898142
Title: Choroidalyzer: An open-source, end-to-end pipeline for choroidal analysis in optical coherence tomography
Title（参考訳）: Choroidalyzer:光コヒーレンストモグラフィーにおけるコロイド解析のためのオープンソースのエンドツーエンドパイプライン
Authors: Justin Engelmann, Jamie Burke, Charlene Hamid, Megan Reid-Schachter, Dan Pugh, Neeraj Dhaun, Diana Moukaddem, Lyle Gray, Niall Strang, Paul McGraw, Amos Storkey, Paul J. Steptoe, Stuart King, Tom MacGillivray, Miguel O. Bernabeu, Ian J.C. MacCormick
Abstract要約: Choroidalyzerはオープンソースのエンドツーエンドパイプラインで、コロイド領域、血管、卵胞を分割する。我々は,不正確なセグメンテーションを手作業で修正した後に,最先端の自動手法を用いた。 U-Net深層学習モデルを訓練し,葉中心領域の脈絡膜厚,面積,血管指数を算出した。
参考スコア（独自算出の注目度）: 3.600228632985483
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Purpose: To develop Choroidalyzer, an open-source, end-to-end pipeline for segmenting the choroid region, vessels, and fovea, and deriving choroidal thickness, area, and vascular index. Methods: We used 5,600 OCT B-scans (233 subjects, 6 systemic disease cohorts, 3 device types, 2 manufacturers). To generate region and vessel ground-truths, we used state-of-the-art automatic methods following manual correction of inaccurate segmentations, with foveal positions manually annotated. We trained a U-Net deep-learning model to detect the region, vessels, and fovea to calculate choroid thickness, area, and vascular index in a fovea-centred region of interest. We analysed segmentation agreement (AUC, Dice) and choroid metrics agreement (Pearson, Spearman, mean absolute error (MAE)) in internal and external test sets. We compared Choroidalyzer to two manual graders on a small subset of external test images and examined cases of high error. Results: Choroidalyzer took 0.299 seconds per image on a standard laptop and achieved excellent region (Dice: internal 0.9789, external 0.9749), very good vessel segmentation performance (Dice: internal 0.8817, external 0.8703) and excellent fovea location prediction (MAE: internal 3.9 pixels, external 3.4 pixels). For thickness, area, and vascular index, Pearson correlations were 0.9754, 0.9815, and 0.8285 (internal) / 0.9831, 0.9779, 0.7948 (external), respectively (all p<0.0001). Choroidalyzer's agreement with graders was comparable to the inter-grader agreement across all metrics. Conclusions: Choroidalyzer is an open-source, end-to-end pipeline that accurately segments the choroid and reliably extracts thickness, area, and vascular index. Especially choroidal vessel segmentation is a difficult and subjective task, and fully-automatic methods like Choroidalyzer could provide objectivity and standardisation.
Abstract（参考訳）: 目的:コロイド領域,血管,胎児を分断し,脈絡膜厚,面積,血管指標を抽出するオープンソースのエンドツーエンドパイプラインであるChoroidalyzerを開発すること。方法: 5,600 OCT B-Scans (233例, 全身性疾患コホート6例, デバイスタイプ3例, メーカ2例) を用いた。そこで我々は,不正確なセグメンテーションを手動で修正し,手動で手動で位置をアノテートした。 u-net 深層学習モデルを用いて,fovea 中心領域における脈絡膜厚,面積,血管指標の算出を行った。内部および外部テストセットにおけるセグメンテーション合意(AUC,Dice)とコロイドメトリクス合意(Pearson,Spearman,平均絶対誤差(MAE))を分析した。外部テスト画像の小さなサブセット上でchoroidalyzerを2つの手動グレーダと比較し,エラーの事例を検討した。結果: Choroidalyzer は標準のラップトップで画像当たり0.299秒を要し、優れた領域(Dice: internal 0.9789, external 0.9749)、非常に優れた血管分割性能(Dice: internal 0.8817, external 0.8703)、優れた焦点位置予測(MAE: internal 3.9 pixels, external 3.4 pixels)を達成した。厚み, 面積, 血管指標では, ピアソン相関は0.9754, 0.9815, 0.8285 (内部) / 0.9831, 0.9779, 0.7948 (外部) であった。 Choroidalyzerのグレーダーとの合意は、すべての指標のグレーダー間合意に匹敵するものだった。結論: Choroidalyzerはオープンソースのエンドツーエンドパイプラインで、脈絡膜を正確に分断し、厚さ、面積、血管インデックスを確実に抽出する。特に脈絡血管のセグメンテーションは困難で主観的な作業であり、Choroidalyzerのような完全自動の手法は客観性と標準化をもたらす。

関連論文リスト

Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images [0.23960026858846614]
本研究の目的は,甲状腺シンチグラフィー画像を用いた甲状腺疾患分類を向上する自動パイプラインを開発することである。 2,643人の甲状腺シンチグラフィー画像を収集し,DG(diffuse goiter),MNG(multinodal goiter),甲状腺炎(TH)に分類した。パイプラインは、さまざまなクラスにわたるいくつかの分類指標で、医師のセグメンテーションに匹敵するパフォーマンスを示した。
論文参考訳（メタデータ） (2024-07-14T21:29:28Z)
TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Large-Scale Multi-Center CT and MRI Segmentation of Pancreas with Deep Learning [20.043497517241992]
膵疾患の診断と経過観察には膵の容積分画の自動化が必要である。そこで我々は,nnUNetとTransformerネットワークの長所と,ボリューム計算が可能な新しい線形アテンションモジュールを組み合わせたPanSegNetを開発した。 T1W MRIは85.0% (std: 7.9%) , T2W MRIは86.3% (std: 6.4%) であった。
論文参考訳（メタデータ） (2024-05-20T20:37:27Z)
Automated Measurement of Vascular Calcification in Femoral Endarterectomy Patients Using Deep Learning [0.09999629695552192]
大きな動脈に影響を及ぼす慢性炎症性疾患である動脈硬化症は、世界的な健康リスクをもたらす。深層学習モデルを用いて血管系をCT画像(CTA)に分類した。大動脈から膝蓋骨への分節動脈におけるDiceの精度は平均83.4%,最先端は0.8%向上した。
論文参考訳（メタデータ） (2023-11-27T16:47:09Z)
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)
Segmentation of Aortic Vessel Tree in CT Scans with Deep Fully Convolutional Networks [4.062948258086793]
大動脈疾患の早期発見,診断,予後には,CTスキャンによる大動脈血管木の自動的,正確な分画が不可欠である。我々は2段階の完全畳み込みネットワーク(FCN)を用いて、複数のセンターからスキャン中のAVTを自動的に分割する。
論文参考訳（メタデータ） (2023-05-16T22:24:01Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文参考訳（メタデータ） (2022-10-13T15:34:20Z)
Building Brains: Subvolume Recombination for Data Augmentation in Large Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文参考訳（メタデータ） (2022-05-05T10:31:57Z)
Deep Learning Models for Calculation of Cardiothoracic Ratio from Chest Radiographs for Assisted Diagnosis of Cardiomegaly [0.0]
本研究では,胸部X線写真から心臓胸部比を算出し,心筋の存在を検出する自動法を提案する。結束箱を用いたx線画像の心臓と胸部領域を画定する2つのモデルを開発し,その出力を用いて心拍数を算出した。
論文参考訳（メタデータ） (2021-01-19T13:09:29Z)

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。