論文の概要: An Automatic Cascaded Model for Hemorrhagic Stroke Segmentation and Hemorrhagic Volume Estimation

• arxiv url: http://arxiv.org/abs/2401.04570v1
• Date: Tue, 9 Jan 2024 14:15:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-10 15:35:31.398382
• Title: An Automatic Cascaded Model for Hemorrhagic Stroke Segmentation and Hemorrhagic Volume Estimation
• Title（参考訳）: 出血脳卒中セグメンテーションと出血量推定のための自動カスケードモデル
• Authors: Weijin Xu, Zhuang Sha, Huihua Yang, Rongcai Jiang, Zhanying Li, Wentao Liu, Ruisheng Su
• Abstract要約: 出血性脳卒中(HS)は急速に発症し、深刻な状態であり、大きな健康上の脅威を引き起こす。 本稿では,UNetをベースとしたケースド3Dモデルを構築し,CT画像における出血領域の2段階のセグメンテーションを行う。
• 参考スコア（独自算出の注目度）: 7.88853588734366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hemorrhagic Stroke (HS) has a rapid onset and is a serious condition that poses a great health threat. Promptly and accurately delineating the bleeding region and estimating the volume of bleeding in Computer Tomography (CT) images can assist clinicians in treatment planning, leading to improved treatment outcomes for patients. In this paper, a cascaded 3D model is constructed based on UNet to perform a two-stage segmentation of the hemorrhage area in CT images from rough to fine, and the hemorrhage volume is automatically calculated from the segmented area. On a dataset with 341 cases of hemorrhagic stroke CT scans, the proposed model provides high-quality segmentation outcome with higher accuracy (DSC 85.66%) and better computation efficiency (6.2 second per sample) when compared to the traditional Tada formula with respect to hemorrhage volume estimation.
• Abstract（参考訳）: 出血性脳卒中(HS)は急速に発症し、深刻な状態であり、大きな健康上の脅威を引き起こす。 コンピュータ断層撮影 (ct) 画像における出血領域の迅速かつ正確な定義と出血量の推定は, 治療計画における臨床医の補助となり, 患者の治療成績の向上に繋がる。 本稿では,大まかなCT画像から細かなCT画像への出血領域の2段階のセグメンテーションを行うために,UNetに基づいてカスケード3Dモデルを構築し,そのセグメンテーション領域から出血量を自動的に算出する。 出血性脳卒中ctスキャン341例のデータセットにおいて,提案モデルでは,従来のtada式と比較して,出血量推定よりも高い精度 (dsc 85.66%) と高い計算効率 (1サンプルあたり6.2秒) を有する高品質セグメンテーション結果が得られた。

関連論文リスト

• Advancing Ischemic Stroke Diagnosis: A Novel Two-Stage Approach for Blood Clot Origin Identification [0.0]
  本稿では,血液凝固起源を分類する革新的な2段階法について述べる。 MobileNetV3に基づく背景分類器は、大きめのデジタル病理画像を多数のタイルに分割し、細胞物質の存在を検出する。 異なる事前訓練された画像分類アルゴリズムは、血栓の起源を決定するために微調整される。
  論文  参考訳（メタデータ） (2023-04-26T18:46:26Z)
• Validated respiratory drug deposition predictions from 2D and 3D medical images with statistical shape models and convolutional neural networks [47.187609203210705]
  患者固有の沈着モデリングのための自動計算フレームワークを開発し,検証することを目的としている。 2次元胸部X線と3次元CT画像から3次元患者の呼吸動態を生成できる画像処理手法が提案されている。
  論文  参考訳（メタデータ） (2023-03-02T07:47:07Z)
• Predicting Thrombectomy Recanalization from CT Imaging Using Deep Learning Models [4.780704816027884]
  術前CTとCTA画像を用いて,患者の再石灰化スコアの完全自動予測を提案した。 我々のトップモデルは平均クロスバリデードROC-AUC 77.33 $pm$3.9%を達成した。
  論文  参考訳（メタデータ） (2023-02-08T15:41:21Z)
• 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)
• 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)
• A new approach to extracting coronary arteries and detecting stenosis in invasive coronary angiograms [9.733630514873376]
  我々は,ICAから冠状動脈を抽出する深層学習による自動アルゴリズムの開発を目指している。 本研究では, マルチインプットとマルチスケール(MIMS)のU-Netを2段階の繰り返し訓練戦略として提案した。 実験の結果,提案手法は平均diceスコア 0.8329, 平均感度 0.8281, 平均特異度 0.9979 となり, 73例から294 icasを得た。
  論文  参考訳（メタデータ） (2021-01-25T01:48:27Z)
• 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)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)
• Lung Infection Quantification of COVID-19 in CT Images with Deep Learning [41.35413216175024]
  深層学習システムは、関心のある感染症領域を自動的に定量化するために開発された。 感染領域分割のための放射線科医を支援するためのループ内ヒト戦略
  論文  参考訳（メタデータ） (2020-03-10T11:58:40Z)

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。