論文の概要: CADICA: a new dataset for coronary artery disease detection by using
invasive coronary angiography
- arxiv url: http://arxiv.org/abs/2402.00570v1
- Date: Thu, 1 Feb 2024 13:03:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 15:26:45.903316
- Title: CADICA: a new dataset for coronary artery disease detection by using
invasive coronary angiography
- Title（参考訳）: CADICA : 侵襲的冠動脈造影法による冠動脈病変検出のための新しいデータセット
- Authors: Ariadna Jim\'enez-Partinen, Miguel A. Molina-Cabello, Karl
Thurnhofer-Hemsi, Esteban J. Palomo, Jorge Rodr\'iguez-Capit\'an, Ana I.
Molina-Ramos, Manuel Jim\'enez-Navarro
- Abstract要約: 冠状動脈疾患(CAD)は、今でも世界中で死因となっている。
深層学習分類法は医用画像の他の領域でよく開発されている。
最も重要な理由の1つは、可用性と高品質なオープンアクセスデータセットの欠如である。
- 参考スコア（独自算出の注目度）: 1.5404452377809545
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coronary artery disease (CAD) remains the leading cause of death globally and
invasive coronary angiography (ICA) is considered the gold standard of
anatomical imaging evaluation when CAD is suspected. However, risk evaluation
based on ICA has several limitations, such as visual assessment of stenosis
severity, which has significant interobserver variability. This motivates to
development of a lesion classification system that can support specialists in
their clinical procedures. Although deep learning classification methods are
well-developed in other areas of medical imaging, ICA image classification is
still at an early stage. One of the most important reasons is the lack of
available and high-quality open-access datasets. In this paper, we reported a
new annotated ICA images dataset, CADICA, to provide the research community
with a comprehensive and rigorous dataset of coronary angiography consisting of
a set of acquired patient videos and associated disease-related metadata. This
dataset can be used by clinicians to train their skills in angiographic
assessment of CAD severity and by computer scientists to create computer-aided
diagnostic systems to help in such assessment. In addition, baseline
classification methods are proposed and analyzed, validating the functionality
of CADICA and giving the scientific community a starting point to improve CAD
detection.
- Abstract（参考訳）: 冠状動脈疾患 (CAD) は世界的死因であり, CADを疑う場合, 侵襲的冠動脈造影 (ICA) は解剖学的画像評価の金の基準とされている。
しかし、ICAに基づくリスク評価には、狭窄の重症度を視覚的に評価するなど、いくつかの制限がある。
これにより、臨床治療の専門医を支援する病巣分類システムの開発が促進される。
医学画像の他の分野ではディープラーニングの分類法がよく開発されているが、ICA画像分類はまだ初期段階である。
最も重要な理由の1つは、可用性と高品質なオープンアクセスデータセットの欠如である。
本稿では,新たにアノテーション付きICA画像データセットCADICAを報告し,取得した患者ビデオと関連疾患関連メタデータからなる冠状血管造影の包括的かつ厳密なデータセットを研究コミュニティに提供する。
このデータセットは、臨床医がCADの重症度を血管造影で評価するスキルを訓練するために、コンピュータ科学者がコンピュータ支援診断システムを作成するために使用することができる。
さらに,基準分類法を提案し分析し,cadicaの機能を検証し,cad検出の出発点を科学コミュニティに与える。
関連論文リスト
- Clinical Evaluation of Medical Image Synthesis: A Case Study in Wireless Capsule Endoscopy [63.39037092484374]
本研究は,人工知能(AI)モデルを用いた医用合成データ生成の臨床評価に焦点を当てた。
本論文は,a) 医用専門家による合成画像の体系的評価のためのプロトコルを提示し,b) 高分解能WCE画像合成のための新しい変分オートエンコーダモデルであるTIDE-IIを評価する。
その結果、TIDE-IIは臨床的に関連性のあるWCE画像を生成し、データの不足に対処し、診断ツールの強化に役立つことがわかった。
論文 参考訳（メタデータ） (2024-10-31T19:48:50Z) - SSASS: Semi-Supervised Approach for Stenosis Segmentation [9.767759441883008]
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。
論文 参考訳（メタデータ） (2023-11-17T02:01:19Z) - Polar-Net: A Clinical-Friendly Model for Alzheimer's Disease Detection
in OCTA Images [53.235117594102675]
オプティカルコヒーレンス・トモグラフィーは、網膜微小血管の画像化によってアルツハイマー病(AD)を検出するための有望なツールである。
我々はPolar-Netと呼ばれる新しいディープラーニングフレームワークを提案し、解釈可能な結果を提供し、臨床上の事前知識を活用する。
Polar-Netは既存の最先端の手法よりも優れており,網膜血管変化とADとの関連性について,より貴重な病理学的証拠を提供する。
論文 参考訳（メタデータ） (2023-11-10T11:49:49Z) - 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) - AI Framework for Early Diagnosis of Coronary Artery Disease: An
Integration of Borderline SMOTE, Autoencoders and Convolutional Neural
Networks Approach [0.44998333629984877]
我々は,データのバランスが不均衡でサンプルサイズが小さい場合に,より正確な予測を行うために,データのバランスと拡張のための方法論を開発する。
実験の結果,提案手法の平均精度は95.36であり,ランダムフォレスト(RF),決定木(DT),サポートベクターマシン(SVM),ロジスティック回帰(LR),人工ニューラルネットワーク(ANN)よりも高かった。
論文 参考訳（メタデータ） (2023-08-29T14:33:38Z) - A Review of Modern Approaches for Coronary Angiography Imaging Analysis [0.0]
慢性心疾患(Corronary Heart Disease,CHD)は、現代世界では主要な死因である。
セグメンテーションネットワークや検出器などのディープラーニングに基づくアルゴリズムは、患者の血管造影のタイムリーな分析を提供することで、医療専門家を支援する上で重要な役割を果たす。
論文 参考訳（メタデータ） (2022-09-28T11:12:04Z) - 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) - In-Line Image Transformations for Imbalanced, Multiclass Computer Vision
Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。
convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。
本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文 参考訳（メタデータ） (2021-04-06T02:01:43Z) - 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) - An Interpretable Multiple-Instance Approach for the Detection of
referable Diabetic Retinopathy from Fundus Images [72.94446225783697]
基礎画像における参照糖尿病網膜症検出のための機械学習システムを提案する。
画像パッチから局所情報を抽出し,アテンション機構により効率的に組み合わせることで,高い分類精度を実現することができる。
我々は,現在入手可能な網膜画像データセットに対するアプローチを評価し,最先端の性能を示す。
論文 参考訳（メタデータ） (2021-03-02T13:14:15Z) - Non-invasive modelling methodology for the diagnosis of Coronary Artery
Disease using Fuzzy Cognitive Maps [0.0]
ファジィ・コグニティブ・マップ(FCM)を用いた冠動脈疾患予測のための医療意思決定支援システムについて述べる。
FCMは人間の知識に基づく有望なモデリング手法であり、曖昧さと不確実性を扱うことができる。
新たに提案されたMDSSは、ファジィ論理とファジィ認知マップの基本概念を用いて開発され、結果を改善するためにいくつかの調整がなされている。
論文 参考訳（メタデータ） (2020-04-02T15:10:31Z)
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。