論文の概要: Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction

• arxiv url: http://arxiv.org/abs/2403.12152v1
• Date: Mon, 18 Mar 2024 18:09:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 18:31:46.208853
• Title: Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction
• Title（参考訳）: 心エコー図による左室エジェクション分画の自動ニューラルネットワーク予測法の開発
• Authors: Yuting Zhang, Boyang Liu, Karina V. Bunting, David Brind, Alexander Thorley, Andreas Karwath, Wenqi Lu, Diwei Zhou, Xiaoxia Wang, Alastair R. Mobley, Otilia Tica, Georgios Gkoutos, Dipak Kotecha, Jinming Duan,
• Abstract要約: 本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
• 参考スコア（独自算出の注目度）: 36.58987036154144
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The echocardiographic measurement of left ventricular ejection fraction (LVEF) is fundamental to the diagnosis and classification of patients with heart failure (HF). In order to quantify LVEF automatically and accurately, this paper proposes a new pipeline method based on deep neural networks and ensemble learning. Within the pipeline, an Atrous Convolutional Neural Network (ACNN) was first trained to segment the left ventricle (LV), before employing the area-length formulation based on the ellipsoid single-plane model to calculate LVEF values. This formulation required inputs of LV area, derived from segmentation using an improved Jeffrey's method, as well as LV length, derived from a novel ensemble learning model. To further improve the pipeline's accuracy, an automated peak detection algorithm was used to identify end-diastolic and end-systolic frames, avoiding issues with human error. Subsequently, single-beat LVEF values were averaged across all cardiac cycles to obtain the final LVEF. This method was developed and internally validated in an open-source dataset containing 10,030 echocardiograms. The Pearson's correlation coefficient was 0.83 for LVEF prediction compared to expert human analysis (p<0.001), with a subsequent area under the receiver operator curve (AUROC) of 0.98 (95% confidence interval 0.97 to 0.99) for categorisation of HF with reduced ejection (HFrEF; LVEF<40%). In an external dataset with 200 echocardiograms, this method achieved an AUC of 0.90 (95% confidence interval 0.88 to 0.91) for HFrEF assessment. This study demonstrates that an automated neural network-based calculation of LVEF is comparable to expert clinicians performing time-consuming, frame-by-frame manual evaluation of cardiac systolic function.
• Abstract（参考訳）: 左室流出率(LVEF)の心エコー計測は,心不全(HF)患者の診断と分類の基礎となる。 本稿では,LVEFを自動的かつ正確に定量化するために,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 パイプライン内では、Atrous Convolutional Neural Network (ACNN) が最初に訓練され、左心室(LV)を分割した後、楕円体単一平面モデルに基づく領域長の定式化を用いてLVEF値を計算した。 この定式化には、改良されたジェフリー法を用いたセグメント化から派生したLV領域の入力と、新しいアンサンブル学習モデルから派生したLV長さが必要であった。 パイプラインの精度をさらに向上するために、自動ピーク検出アルゴリズムを使用して、エンド・ディストリックとエンド・シストリックのフレームを識別し、ヒューマンエラーの問題を回避した。 その後, 単拍LVEF値を全心循環で平均化し, 最終LVEFを得た。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発され,内部的に検証された。 Pearson's correlation coefficient was 0.83 for LVEF prediction than expert human analysis (p<0.001) and a subsequent area under the receiver operator curve (AUROC) of 0.98 (95% confidence interval 0.97 - 0.99) for cateization of HF with reduce ejection (HFrEF; LVEF<40%)。 200個の心エコー図を用いた外部データセットでは、HFrEF評価のためのAUCが0.90(95%信頼区間0.88から0.91)に達した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能の時間的・フレーム単位のマニュアル評価を行う専門医に匹敵することを示した。

関連論文リスト

• An end-to-end deep learning pipeline to derive blood input with partial volume corrections for automated parametric brain PET mapping [1.3243230917306228]
  dFDG-PETの定量分析における重要な課題は、患者固有の血液入力機能を特徴づけることである。 本研究では内頸動脈からの非侵襲的ディープラーニングモデルに基づく計算手法を提案する。 ICAセグメンテーションのための3次元U-NetベースのICA-netと、モデル修正血液入力関数の導出のためのリカレントニューラルネットワーク(RNN)ベースのMCIF-netを組み合わせたエンドツーエンドパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-02-05T17:02:30Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Self-supervised contrastive learning of echocardiogram videos enables label-efficient cardiac disease diagnosis [48.64462717254158]
  心エコービデオを用いた自己教師型コントラスト学習手法であるエコーCLRを開発した。 左室肥大症 (LVH) と大動脈狭窄症 (AS) の分類成績は,EchoCLR の訓練により有意に改善した。 EchoCLRは、医療ビデオの表現を学習する能力に特有であり、SSLがラベル付きデータセットからラベル効率の高い疾患分類を可能にすることを実証している。
  論文  参考訳（メタデータ） (2022-07-23T19:17:26Z)
• Automatic Quantification of Volumes and Biventricular Function in Cardiac Resonance. Validation of a New Artificial Intelligence Approach [0.0]
  本研究の目的は、心室機能(容積、質量、EF)を定量化するために、新しい人工知能ツールを検証することである。 本手法では,心臓の解剖学的情報を含む2つの畳み込みネットワークを提案し,分類誤差を低減する。
  論文  参考訳（メタデータ） (2022-06-03T14:17:12Z)
• Global ECG Classification by Self-Operational Neural Networks with Feature Injection [25.15075119957447]
  コンパクトな1次元自己組織化オペレーショナルニューラルネットワーク(Self-ONN)を用いた患者間心電図分類のための新しいアプローチを提案する。 我々は1D Self-ONN層を用いてECGデータから形態表現を自動的に学習し、Rピーク付近のECG波形の形状を捉えることができた。 提案手法は,MIT-BIH ベンチマークデータベースを用いて,これまでで最高の分類性能を達成している。
  論文  参考訳（メタデータ） (2022-04-07T22:49:18Z)
• Optimized Automated Cardiac MR Scar Quantification with GAN-Based Data Augmentation [3.3073775218038888]
  後期ガドリニウム増強(LGE)心筋MRIの臨床的有用性は、標準化の欠如と時間を要する後処理によって制限される。 我々は,合成データによる拡張を訓練したカスケード深層学習パイプラインが,自動傷跡定量化のためのモデル精度とロバスト性を向上させることができるという仮説を検証した。
  論文  参考訳（メタデータ） (2021-09-27T10:46:02Z)
• High-Throughput Precision Phenotyping of Left Ventricular Hypertrophy with Cardiovascular Deep Learning [10.896077463926343]
  左室肥大 (LVH) は, 全身性および心血管性疾患による慢性のリモデリングの結果である。 LVHの早期検出と特徴付けは、患者のケアに大きな影響を及ぼす。 本研究では,ヒトの心室肥大を自動的に高精度に定量化する深層学習ワークフローであるEchoNet-LVHを提案する。
  論文  参考訳（メタデータ） (2021-06-23T16:28:40Z)
• 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)
• 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)
• 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)

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。