論文の概要: Coronary Artery Disease Classification with Different Lesion Degree
Ranges based on Deep Learning
- arxiv url: http://arxiv.org/abs/2402.00593v2
- Date: Fri, 16 Feb 2024 15:45:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 19:07:39.686677
- Title: Coronary Artery Disease Classification with Different Lesion Degree
Ranges based on Deep Learning
- Title（参考訳）: 深層学習に基づく冠動脈病変範囲の異なる冠動脈疾患分類
- Authors: Ariadna Jim\'enez-Partinen, Karl Thurnhofer-Hemsi, Esteban J. Palomo,
Jorge Rodr\'iguez-Capit\'an, Ana I. Molina-Ramos
- Abstract要約: 侵襲的冠動脈造影(ICA)画像は冠動脈の状態を評価するための金の基準と考えられている。
ディープラーニングの分類法は、様々な分野で広く使われ、開発が進んでいる。
- 参考スコア（独自算出の注目度）: 0.6749750044497731
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Invasive Coronary Angiography (ICA) images are considered the gold standard
for assessing the state of the coronary arteries. Deep learning classification
methods are widely used and well-developed in different areas where medical
imaging evaluation has an essential impact due to the development of
computer-aided diagnosis systems that can support physicians in their clinical
procedures. In this paper, a new performance analysis of deep learning methods
for binary ICA classification with different lesion degrees is reported. To
reach this goal, an annotated dataset of ICA images that contains the ground
truth, the location of lesions and seven possible severity degrees ranging
between 0% and 100% was employed. The ICA images were divided into 'lesion' or
'non-lesion' patches. We aim to study how binary classification performance is
affected by the different lesion degrees considered in the positive class.
Therefore, five known convolutional neural network architectures were trained
with different input images where different lesion degree ranges were gradually
incorporated until considering the seven lesion degrees. Besides, four types of
experiments with and without data augmentation were designed, whose F-measure
and Area Under Curve (AUC) were computed. Reported results achieved an
F-measure and AUC of 92.7% and 98.1%, respectively. However, lesion
classification is highly affected by the degree of the lesion intended to
classify, with 15% less accuracy when <99% lesion patches are present.
- Abstract（参考訳）: 侵襲的冠動脈造影(ICA)画像は冠動脈の状態を評価するための金の基準と考えられている。
深層学習分類法は, 医師が臨床手順を支援できるコンピュータ支援診断システムの開発により, 医用画像評価が必須となる様々な分野において広く用いられ, 開発されている。
本稿では,病変の程度が異なる2値ica分類のための深層学習法の性能解析について報告する。
この目標を達成するため、ICA画像の注釈付きデータセットに、真理、病変の位置、および、0%から100%の範囲の7つの重度度が採用された。
ICA画像は「レシオン」または「ノンレシオン」のパッチに分割された。
本研究の目的は,2値分類の性能が,正のクラスで考慮された異なる病変度にどのように影響するかを検討することである。
そこで,5つの既知の畳み込みニューラルネットワークアーキテクチャを,7つの病変度を考慮し,病変度範囲の異なる入力画像を用いて訓練した。
さらにデータ拡張のない4種類の実験が設計され、そのF測定とAUC(Area Under Curve)が計算された。
f-measureとaucはそれぞれ92.7%,98.1%であった。
しかし, 病変の分類は, 病変の分類を意図した程度に大きく影響し, 99%の病変が認められると, 15%の精度が低下する。
関連論文リスト
- FedMedICL: Towards Holistic Evaluation of Distribution Shifts in Federated Medical Imaging [68.6715007665896]
FedMedICLは統合されたフレームワークであり、フェデレートされた医療画像の課題を全体評価するためのベンチマークである。
6種類の医用画像データセットについて,いくつかの一般的な手法を総合的に評価した。
単純なバッチ分散手法はFedMedICL実験全体の平均性能において,高度な手法を超越していることがわかった。
論文 参考訳（メタデータ） (2024-07-11T19:12:23Z) - CADICA: a new dataset for coronary artery disease detection by using
invasive coronary angiography [1.5404452377809545]
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。
論文 参考訳（メタデータ） (2024-02-01T13:03:13Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - 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) - Lesion detection in contrast enhanced spectral mammography [0.0]
近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。
本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
論文 参考訳（メタデータ） (2022-07-20T06:49:02Z) - Fluorescence angiography classification in colorectal surgery -- A
preliminary report [8.075715438276244]
本研究の目的は, 大腸組織を蛍光血管造影データに基づいて "perfused" あるいは "not perfused" と分類する人工知能アルゴリズムを開発することである。
アルゴリズムをデプロイするWebベースのアプリが利用可能になった。
論文 参考訳（メタデータ） (2022-06-13T07:10:59Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - 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) - Multiclass Wound Image Classification using an Ensemble Deep CNN-based
Classifier [2.07811670193148]
創傷画像をマルチクラスに分類するためのアンサンブルディープ畳み込みニューラルネットワークに基づく分類器を開発した。
2次分類では96.4%,94.28%,3次分類では91.9%,87.7%であった。
論文 参考訳（メタデータ） (2020-10-19T15:20:12Z) - Grading Loss: A Fracture Grade-based Metric Loss for Vertebral Fracture
Detection [58.984536305767996]
自動椎骨骨折検出のための表現学習型アプローチを提案する。
本稿では,Genantのフラクチャーグレーディングスキームを尊重する,学習表現のための新しいGrading Lossを提案する。
一般に利用可能なスピーンデータセットでは、提案された損失関数が81.5%のフラクチャー検出F1スコアを達成する。
論文 参考訳（メタデータ） (2020-08-18T10:03:45Z)
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。