論文の概要: Applicability of oculomics for individual risk prediction: Repeatability
and robustness of retinal Fractal Dimension using DART and AutoMorph
- arxiv url: http://arxiv.org/abs/2403.06950v1
- Date: Mon, 11 Mar 2024 17:34:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-12 17:57:49.090424
- Title: Applicability of oculomics for individual risk prediction: Repeatability
and robustness of retinal Fractal Dimension using DART and AutoMorph
- Title（参考訳）: リスク予測へのオキュロミクスの適用性:DARTとAutoMorphを用いた網膜フラクタル次元の再現性と堅牢性
- Authors: Justin Engelmann, Diana Moukaddem, Lucas Gago, Niall Strang, Miguel O.
Bernabeu
- Abstract要約: フラクタル次元(FD)に基づくオキュロミクスは、個々のリスク予測に使用できる。
私たちは2つのデータセットを使用しました。
- 参考スコア（独自算出の注目度）: 1.3499500088995464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Purpose: To investigate whether Fractal Dimension (FD)-based oculomics could
be used for individual risk prediction by evaluating repeatability and
robustness. Methods: We used two datasets: Caledonia, healthy adults imaged
multiple times in quick succession for research (26 subjects, 39 eyes, 377
colour fundus images), and GRAPE, glaucoma patients with baseline and follow-up
visits (106 subjects, 196 eyes, 392 images). Mean follow-up time was 18.3
months in GRAPE, thus it provides a pessimistic lower-bound as vasculature
could change. FD was computed with DART and AutoMorph. Image quality was
assessed with QuickQual, but no images were initially excluded. Pearson,
Spearman, and Intraclass Correlation (ICC) were used for population-level
repeatability. For individual-level repeatability, we introduce measurement
noise parameter {\lambda} which is within-eye Standard Deviation (SD) of FD
measurements in units of between-eyes SD. Results: In Caledonia, ICC was 0.8153
for DART and 0.5779 for AutoMorph, Pearson/Spearman correlation (first and last
image) 0.7857/0.7824 for DART, and 0.3933/0.6253 for AutoMorph. In GRAPE,
Pearson/Spearman correlation (first and next visit) was 0.7479/0.7474 for DART,
and 0.7109/0.7208 for AutoMorph (all p<0.0001). Median {\lambda} in Caledonia
without exclusions was 3.55\% for DART and 12.65\% for AutoMorph, and improved
to up to 1.67\% and 6.64\% with quality-based exclusions, respectively. Quality
exclusions primarily mitigated large outliers. Worst quality in an eye
correlated strongly with {\lambda} (Pearson 0.5350-0.7550, depending on dataset
and method, all p<0.0001). Conclusions: Repeatability was sufficient for
individual-level predictions in heterogeneous populations. DART performed
better on all metrics and might be able to detect small, longitudinal changes,
highlighting the potential of robust methods.
- Abstract（参考訳）: 目的: フラクタル次元(fd)に基づくオキュロミクスを再現性とロバスト性を評価することにより,個々のリスク予測に使用できるかどうかを検討すること。
方法: 被験者26名, 眼39名, 眼底377名), ブドウ緑内障患者, 緑内障患者106名, 眼196名, 眼392名であった。
追従期間の平均は18.3ヶ月であり、血管が変化するにつれて悲観的な低限度になる。
FDはDARTとAutoMorphで計算された。
画質はQuickQualで評価されたが、当初は除外されなかった。
Pearson, Spearman, Intraclass correlation (ICC) は集団レベルの再現性に用いられた。
個別レベルの再現性については,fd測定の目内標準偏差(sd)である計測ノイズパラメータ {\lambda} を目間sd単位で導入する。
結果: カルドニアでは, DART では 0.8153, AutoMorph では 0.5779, DART では 0.7857/0.7824, AutoMorph では 0.3933/0.6253 であった。
GRAPEでは、Pearson/Spearman相関はDARTでは0.7479/0.7474、AutoMorphでは0.7109/0.7208であった。
除外のないカレドニアの中央値 {\lambda} はダートで3.55\%、オートモルフで12.65\%、クオリティベースで1.67\%と6.64\%に改善した。
品質の排除は、主に大きな異常を緩和した。
眼の最低品質は {\lambda} (pearson 0.5350-0.7550) と強く相関した。
結論: 再現性は異種集団の個体レベルでの予測に十分であった。
DARTはすべてのメトリクスで改善され、小さな縦方向の変化を検出でき、堅牢なメソッドの可能性を強調した。
関連論文リスト
- Multi-centric AI Model for Unruptured Intracranial Aneurysm Detection and Volumetric Segmentation in 3D TOF-MRI [6.397650339311053]
我々は3DTOF-MRIで未破裂脳動脈瘤(UICA)の検出と分節を併用したオープンソースのnnU-NetベースのAIモデルを開発した。
4つの異なるトレーニングデータセットが作成され、nnU-Netフレームワークがモデル開発に使用された。
一次モデルは85%の感度と0.23FP/ケースレートを示し、ADAM-challengeの勝者(61%)と、ADAMデータでトレーニングされたnnU-Net(51%)を感度で上回った。
論文 参考訳（メタデータ） (2024-08-30T08:57:04Z) - BeyondCT: A deep learning model for predicting pulmonary function from chest CT scans [2.602923751641061]
BeyondCT モデルは,非造影胸部CT から1秒間 (FEV1) の強制活量および強制呼気量を予測するために開発された。
肺機能予測には非造影胸部CT検査が有用であった。
論文 参考訳（メタデータ） (2024-08-10T22:28:02Z) - Automatic Segmentation of the Kidneys and Cystic Renal Lesions on Non-Contrast CT Using a Convolutional Neural Network [0.1398098625978622]
従来の自動セグメンテーションモデルでは、非コントラストCT画像がほとんど無視されていた。
この研究は、非コントラストCTスキャンから腎臓と嚢胞性腎病変(CRL)を分離するために、ディープラーニング(DL)モデルを実装し、訓練することを目的としている。
論文 参考訳（メタデータ） (2024-05-14T02:34:56Z) - A Federated Learning Framework for Stenosis Detection [70.27581181445329]
本研究は,冠動脈造影画像(CA)の狭窄検出におけるFL(Federated Learning)の使用について検討した。
アンコナのOspedale Riuniti(イタリア)で取得した200人の患者1219枚の画像を含む2施設の異種データセットについて検討した。
データセット2には、文献で利用可能な90人の患者からの7492のシーケンシャルな画像が含まれている。
論文 参考訳（メタデータ） (2023-10-30T11:13:40Z) - 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) - 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) - Pointwise visual field estimation from optical coherence tomography in
glaucoma: a structure-function analysis using deep learning [12.70143462176992]
SAP(Standard Automated Perimetry)は、緑内障治療における視野(VF)の喪失を監視するための金の標準である。
我々は,光学コヒーレンス・トモグラフィー(OCT)スキャンによる点方向および全体的VF損失を推定する深層学習(DL)回帰モデルを開発し,検証した。
論文 参考訳（メタデータ） (2021-06-07T16:58:38Z) - MSED: a multi-modal sleep event detection model for clinical sleep
analysis [62.997667081978825]
ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。
モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
論文 参考訳（メタデータ） (2021-01-07T13:08:44Z) - Deep Learning to Quantify Pulmonary Edema in Chest Radiographs [7.121765928263759]
肺浮腫の重症度を胸部X線写真で分類する機械学習モデルを開発した。
深層学習モデルは、大きな胸部X線写真データセットで訓練された。
論文 参考訳（メタデータ） (2020-08-13T15:45:44Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z) - Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale
Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。
自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。
胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文 参考訳（メタデータ） (2020-02-12T00:59:23Z)
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。