論文の概要: A Robust Ensemble Algorithm for Ischemic Stroke Lesion Segmentation: Generalizability and Clinical Utility Beyond the ISLES Challenge

• arxiv url: http://arxiv.org/abs/2403.19425v2
• Date: Wed, 3 Apr 2024 07:37:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 11:53:45.712181
• Title: A Robust Ensemble Algorithm for Ischemic Stroke Lesion Segmentation: Generalizability and Clinical Utility Beyond the ISLES Challenge
• Title（参考訳）: 虚血性脳卒中病変分離のためのロバストアンサンブルアルゴリズム : ISLESチャレンジを超えての一般化と臨床的有用性
• Authors: Ezequiel de la Rosa, Mauricio Reyes, Sook-Lei Liew, Alexandre Hutton, Roland Wiest, Johannes Kaesmacher, Uta Hanning, Arsany Hakim, Richard Zubal, Waldo Valenzuela, David Robben, Diana M. Sima, Vincenzo Anania, Arne Brys, James A. Meakin, Anne Mickan, Gabriel Broocks, Christian Heitkamp, Shengbo Gao, Kongming Liang, Ziji Zhang, Md Mahfuzur Rahman Siddiquee, Andriy Myronenko, Pooya Ashtari, Sabine Van Huffel, Hyun-su Jeong, Chi-ho Yoon, Chulhong Kim, Jiayu Huo, Sebastien Ourselin, Rachel Sparks, Albert Clèrigues, Arnau Oliver, Xavier Lladó, Liam Chalcroft, Ioannis Pappas, Jeroen Bertels, Ewout Heylen, Juliette Moreau, Nima Hatami, Carole Frindel, Abdul Qayyum, Moona Mazher, Domenec Puig, Shao-Chieh Lin, Chun-Jung Juan, Tianxi Hu, Lyndon Boone, Maged Goubran, Yi-Jui Liu, Susanne Wegener, Florian Kofler, Ivan Ezhov, Suprosanna Shit, Moritz R. Hernandez Petzsche, Bjoern Menze, Jan S. Kirschke, Benedikt Wiestler,
• Abstract要約: 画像と疾患の多様性は、臨床価値を持つ一般化可能なAIアルゴリズムの開発を妨げる。 2022 Ischemic Stroke Lesion (ISLES) から得られた新しいアンサンブルアルゴリズムを提案する。 トップパフォーマンスのアルゴリズムを、個々のソリューションの限界を克服するアンサンブルモデルに組み合わせました。
• 参考スコア（独自算出の注目度）: 30.611482996378683
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion-weighted MRI (DWI) is essential for stroke diagnosis, treatment decisions, and prognosis. However, image and disease variability hinder the development of generalizable AI algorithms with clinical value. We address this gap by presenting a novel ensemble algorithm derived from the 2022 Ischemic Stroke Lesion Segmentation (ISLES) challenge. ISLES'22 provided 400 patient scans with ischemic stroke from various medical centers, facilitating the development of a wide range of cutting-edge segmentation algorithms by the research community. Through collaboration with leading teams, we combined top-performing algorithms into an ensemble model that overcomes the limitations of individual solutions. Our ensemble model achieved superior ischemic lesion detection and segmentation accuracy on our internal test set compared to individual algorithms. This accuracy generalized well across diverse image and disease variables. Furthermore, the model excelled in extracting clinical biomarkers. Notably, in a Turing-like test, neuroradiologists consistently preferred the algorithm's segmentations over manual expert efforts, highlighting increased comprehensiveness and precision. Validation using a real-world external dataset (N=1686) confirmed the model's generalizability. The algorithm's outputs also demonstrated strong correlations with clinical scores (admission NIHSS and 90-day mRS) on par with or exceeding expert-derived results, underlining its clinical relevance. This study offers two key findings. First, we present an ensemble algorithm (https://github.com/Tabrisrei/ISLES22_Ensemble) that detects and segments ischemic stroke lesions on DWI across diverse scenarios on par with expert (neuro)radiologists. Second, we show the potential for biomedical challenge outputs to extend beyond the challenge's initial objectives, demonstrating their real-world clinical applicability.
• Abstract（参考訳）: 拡散強調MRI(DWI)は脳卒中診断,治療決定,予後に必須である。 しかし、画像と疾患の多様性は、臨床的価値を持つ一般化可能なAIアルゴリズムの開発を妨げる。 我々は,2022年のIschemic Stroke Lesion Segmentation(ISLES)チャレンジから得られた,新しいアンサンブルアルゴリズムを提案することで,このギャップに対処する。 ISLES'22は、様々な医療センターからの虚血性脳卒中を400件スキャンし、研究コミュニティによる幅広い最先端セグメンテーションアルゴリズムの開発を促進させた。 主要なチームとのコラボレーションを通じて、トップパフォーマンスのアルゴリズムを、個々のソリューションの限界を克服するアンサンブルモデルに組み合わせました。 我々のアンサンブルモデルは, 個々のアルゴリズムと比較して, 内部テストセットにおける虚血性病変の検出とセグメンテーションの精度に優れていた。 この精度は多様な画像と病気の変数にわたってよく一般化された。 さらに,臨床バイオマーカーの抽出に優れていた。 特にチューリングのようなテストでは、神経放射線学者は手作業よりもアルゴリズムのセグメンテーションを常に好み、包括性と精度の向上を強調した。 実世界の外部データセット(N=1686)を用いた検証により、モデルの一般化性が確認された。 このアルゴリズムの出力は、専門家による結果と同等以上の臨床スコア(NIHSSと90日間のmRS)と強い相関を示し、臨床関連性について概説した。 この研究は2つの重要な発見をもたらす。 まず、DWIの虚血性脳梗塞を専門家(神経)と同等に検出し、検出するアンサンブルアルゴリズム(https://github.com/Tabrisrei/ISLES22_Ensemble)を提案する。 第2に, バイオメディカル・チャレンジ・アウトプットが, 課題の当初の目的を超える可能性を示し, 実際の臨床応用性を示す。

関連論文リスト

• Bridging the Diagnostic Divide: Classical Computer Vision and Advanced AI methods for distinguishing ITB and CD through CTE Scans [2.900410045439515]
  放射線医の間では, 内皮-皮下脂肪比は, ITBとCDの鑑別における代用バイオマーカーとして認識されている。 本稿では,この比率計算を自動化するために,皮下脂肪の自動分離のための新しい2次元画像コンピュータビジョンアルゴリズムを提案する。 ITB, CD, 正常患者のサンプルを用いて, CTEスキャンのデータセットを用いてResNet10モデルを訓練し, 75%の精度を得た。
  論文  参考訳（メタデータ） (2024-10-23T17:05:27Z)
• Fuzzy Information Seeded Region Growing for Automated Lesions After Stroke Segmentation in MR Brain Images [0.0]
  Fuzzy Information Seeded Region Growing (FISRG)アルゴリズムは、脳卒中病変の複雑で不規則な境界を規定する。 実験で得られた最も高いDiceスコアは94.2%であり、アルゴリズムの出力と専門家が検証した基底真理との高い類似性を示している。 FISRG法が脳卒中診断・治療における画像解析の進歩に大きく貢献する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-20T13:09:11Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• Quality control for more reliable integration of deep learning-based image segmentation into medical workflows [0.23609258021376836]
  本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。 磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
  論文  参考訳（メタデータ） (2021-12-06T16:30:43Z)
• The Medical Segmentation Decathlon [37.44481677534694]
  最先端の画像セグメンテーションアルゴリズムは、未確認のタスクで再訓練された場合、成熟し、正確で、一般化される。 一連のタスクにおける一貫した良いパフォーマンスは、以前は目に見えないタスクの異なるセットで、彼らの平均的なパフォーマンスを保った。 正確なAIセグメンテーションモデルのトレーニングは現在、非AI専門家にコモディティ化されている。
  論文  参考訳（メタデータ） (2021-06-10T13:34:06Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。