論文の概要: Deep Learning for Multi-Level Detection and Localization of Myocardial Scars Based on Regional Strain Validated on Virtual Patients

• arxiv url: http://arxiv.org/abs/2403.10291v1
• Date: Fri, 15 Mar 2024 13:31:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 17:01:25.305699
• Title: Deep Learning for Multi-Level Detection and Localization of Myocardial Scars Based on Regional Strain Validated on Virtual Patients
• Title（参考訳）: バーチャル患者に検証された局所ひずみに基づく多層心筋スカーの深層検出と局所化のための深層学習
• Authors: Müjde Akdeniz, Claudia Alessandra Manetti, Tijmen Koopsen, Hani Nozari Mirar, Sten Roar Snare, Svein Arne Aase, Joost Lumens, Jurica Šprem, Kristin Sarah McLeod,
• Abstract要約: 我々は, 心筋疾患の基質をグローバル, 領域, セグメントレベルで予測するための単一の枠組みを提案する。 臨床標準ブルジー表現から多チャンネル2D画像への入力データの解剖学的意味の表現を提案する。 The Fully Convolutional Network (FCN) is trained to detect and localization myocardial scar from Regional left Venentricular (LV) strain pattern。
• 参考スコア（独自算出の注目度）: 0.14980193397844668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How well the heart is functioning can be quantified through measurements of myocardial deformation via echocardiography. Clinical assessment of cardiac function is generally focused on global indices of relative shortening, however, territorial, and segmental strain indices have shown to be abnormal in regions of myocardial disease, such as scar. In this work, we propose a single framework to predict myocardial disease substrates at global, territorial, and segmental levels using regional myocardial strain traces as input to a convolutional neural network (CNN)-based classification algorithm. An anatomically meaningful representation of the input data from the clinically standard bullseye representation to a multi-channel 2D image is proposed, to formulate the task as an image classification problem, thus enabling the use of state-of-the-art neural network configurations. A Fully Convolutional Network (FCN) is trained to detect and localize myocardial scar from regional left ventricular (LV) strain patterns. Simulated regional strain data from a controlled dataset of virtual patients with varying degrees and locations of myocardial scar is used for training and validation. The proposed method successfully detects and localizes the scars on 98% of the 5490 left ventricle (LV) segments of the 305 patients in the test set using strain traces only. Due to the sparse existence of scar, only 10% of the LV segments in the virtual patient cohort have scar. Taking the imbalance into account, the class balanced accuracy is calculated as 95%. The performance is reported on global, territorial, and segmental levels. The proposed method proves successful on the strain traces of the virtual cohort and offers the potential to solve the regional myocardial scar detection problem on the strain traces of the real patient cohorts.
• Abstract（参考訳）: 心臓がどれだけ機能しているかは、心エコー法による心筋の変形の測定によって定量化できる。 心臓機能の臨床的評価は、一般的に、相対的短縮のグローバルな指標に焦点を当てているが、領域的および分節的歪みの指標は、傷跡などの心筋疾患の領域で異常であることが示されている。 本研究では、畳み込みニューラルネットワーク(CNN)に基づく分類アルゴリズムの入力として、局所心筋ひずみトレースを用いて、大域、領域、セグメントレベルの心筋疾患の基質を予測するための単一の枠組みを提案する。 臨床標準のブルゼイ表現から多チャンネル2D画像への入力データの解剖学的意味のある表現を提案し、そのタスクを画像分類問題として定式化し、最先端のニューラルネットワーク構成の使用を可能にする。 The Fully Convolutional Network (FCN) is trained to detect and localization myocardial scar from Regional left Venentricular (LV) strain pattern。 心不全の程度や位置の異なる仮想患者の制御されたデータセットから得られた局所ひずみデータをトレーニングと検証に利用した。 提案法は, ストレッチトレースのみを用いて, 305症例の左心室(LV)部分5490例の98%の傷痕を正常に検出し, 局所化する。 傷痕が不足しているため、バーチャル患者コホート内のLVセグメントの10%しか傷を負わない。 不均衡を考慮すると、クラスバランスの正確さは95%と計算される。 パフォーマンスは、グローバル、テリトリー、セグメントレベルで報告されている。 提案手法は, 仮想コホートのストレイントレースに成功し, リアル患者コホートのストレイントレースにおける局所心筋傷検出問題の解決の可能性を提供する。

関連論文リスト

• Neural Network-Based Histologic Remission Prediction In Ulcerative Colitis [38.150634108667774]
  潰瘍性大腸炎(UC)の新しい治療標的としての組織学的寛解 内視鏡(Endocytoscopy、EC)は、新しい超高倍率内視鏡技術である。 本稿では,心電図の組織学的疾患活動を評価するニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-28T15:54:14Z)
• Error correcting 2D-3D cascaded network for myocardial infarct scar segmentation on late gadolinium enhancement cardiac magnetic resonance images [0.0]
  完全自動で心筋梗塞の程度を計算できる2次元および3次元畳み込みニューラルネットワーク(CNN)のケースケードフレームワークを提案する。 EMIDECチャレンジのトレーニングデータセットを用いて,提案手法を5倍のクロスバリデーションで評価し,評価した。
  論文  参考訳（メタデータ） (2023-06-26T14:21:18Z)
• An Algorithm for the Labeling and Interactive Visualization of the Cerebrovascular System of Ischemic Strokes [59.116811751334225]
  VirtualDSA++は、CTAスキャンで脳血管ツリーをセグメンテーションし、ラベル付けするために設計されたアルゴリズムである。 閉塞血管を同定するために,脳動脈のラベル付け機構を拡張した。 本稿では,そのモデルの全ノードにおける経路の反復的体系探索という一般的な概念を紹介し,新たな対話的特徴を実現する。
  論文  参考訳（メタデータ） (2022-04-26T14:20:26Z)
• Shape constrained CNN for segmentation guided prediction of myocardial shape and pose parameters in cardiac MRI [0.6445605125467573]
  我々は、CNNを用いて、心筋の統計的形状モデルの形状パラメータを予測する。 統合形状モデルは予測輪郭を規則化し、現実的な形状を保証する。 形状パラメータの予測に,同時セマンティックセグメンテーションと2つの新たに定義された損失関数の利点を示す。
  論文  参考訳（メタデータ） (2022-03-02T13:20:30Z)
• 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)
• Automatic segmentation with detection of local segmentation failures in cardiac MRI [1.281734910003263]
  3つの最先端の畳み込みニューラルネットワーク(CNN)をトレーニングし、心臓解剖学的構造を自動的に分割した。 MICCAI 2017 ACDCチャレンジで公開されているCMRスキャンを用いて,CNNアーキテクチャとセグメンテーションにおける損失関数の影響を検討した。 自動セグメンテーションと検出されたセグメンテーション障害のシミュレートされた手動補正を組み合わせることで,統計的に有意な性能向上が得られた。
  論文  参考訳（メタデータ） (2020-11-13T17:19:05Z)
• Automatic Myocardial Infarction Evaluation from Delayed-Enhancement Cardiac MRI using Deep Convolutional Networks [8.544381926074971]
  臨床情報と遅延造影MRI(DE-MRI)による心筋梗塞自動評価のための新しいディープラーニングフレームワークを提案する。 2つのセグメンテーションニューラルネットワークを用いており、第1のネットワークは心筋や左室腔などの解剖学的構造をセグメンテーションするために使用される。 第2の課題は、ある症例をD-MRIの有無にかかわらず、臨床情報から正常または病理学的に自動的に分類することである。
  論文  参考訳（メタデータ） (2020-10-30T11:18:25Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)
• Shape Constrained CNN for Cardiac MR Segmentation with Simultaneous Prediction of Shape and Pose Parameters [0.5249805590164902]
  統計的形状モデルから得られたポーズパラメータと形状パラメータの回帰により,LVと心筋セグメンテーションを行う。 トレーニング中に分割距離マップを同時に構築することにより,形状の頑健さとポーズの予測を行う。 この方法はLVQuan18とLVQuan19の公開データセットで検証され、最先端の結果を得た。
  論文  参考訳（メタデータ） (2020-10-18T09:51:04Z)
• 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)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)

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。