Fugu-MT 論文翻訳(概要): BeyondCT: A deep learning model for predicting pulmonary function from chest CT scans

論文の概要: BeyondCT: A deep learning model for predicting pulmonary function from chest CT scans

arxiv url: http://arxiv.org/abs/2408.05645v1
Date: Sat, 10 Aug 2024 22:28:02 GMT
ステータス: 処理完了
システム内更新日: 2024-08-13 18:01:49.059499
Title: BeyondCT: A deep learning model for predicting pulmonary function from chest CT scans
Title（参考訳）: BeyondCT:胸部CTによる肺機能予測のためのディープラーニングモデル
Authors: Kaiwen Geng, Zhiyi Shi, Xiaoyan Zhao, Alaa Ali, Jing Wang, Joseph Leader, Jiantao Pu,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.602923751641061
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Abstract Background: Pulmonary function tests (PFTs) and computed tomography (CT) imaging are vital in diagnosing, managing, and monitoring lung diseases. A common issue in practice is the lack of access to recorded pulmonary functions despite available chest CT scans. Purpose: To develop and validate a deep learning algorithm for predicting pulmonary function directly from chest CT scans. Methods: The development cohort came from the Pittsburgh Lung Screening Study (PLuSS) (n=3619). The validation cohort came from the Specialized Centers of Clinically Oriented Research (SCCOR) in COPD (n=662). A deep learning model called BeyondCT, combining a three-dimensional (3D) convolutional neural network (CNN) and Vision Transformer (ViT) architecture, was used to predict forced vital capacity (FVC) and forced expiratory volume in one second (FEV1) from non-contrasted inspiratory chest CT scans. A 3D CNN model without ViT was used for comparison. Subject demographics (age, gender, smoking status) were also incorporated into the model. Performance was compared to actual PFTs using mean absolute error (MAE, L), percentage error, and R square. Results: The 3D-CNN model achieved MAEs of 0.395 L and 0.383 L, percentage errors of 13.84% and 18.85%, and R square of 0.665 and 0.679 for FVC and FEV1, respectively. The BeyondCT model without demographics had MAEs of 0.362 L and 0.371 L, percentage errors of 10.89% and 14.96%, and R square of 0.719 and 0.727, respectively. Including demographics improved performance (p<0.05), with MAEs of 0.356 L and 0.353 L, percentage errors of 10.79% and 14.82%, and R square of 0.77 and 0.739 for FVC and FEV1 in the test set. Conclusion: The BeyondCT model showed robust performance in predicting lung function from non-contrast inspiratory chest CT scans.
Abstract（参考訳）: 肺機能検査(PFT)とCT画像検査(CT)は肺疾患の診断、管理、モニタリングに不可欠である。一般的な問題は、胸部CT検査が利用可能であるにもかかわらず、記録された肺機能へのアクセスの欠如である。目的:胸部CTスキャンから直接肺機能を予測するための深層学習アルゴリズムの開発と検証を行う。方法: 開発コホートはピッツバーグ肺検診 (PLuSS) (n=3619) のものである。検証コホートは COPD (n=662) のSCCOR (Specialized Centers of Clinically Oriented Research) から得られた。 BeyondCTと呼ばれるディープラーニングモデルは、3次元畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)アーキテクチャを組み合わせたもので、非造影胸部CTスキャンから強制活量(FVC)と1秒間強制呼気量(FEV1)を予測するために用いられた。 ViTのない3次元CNNモデルを用いて比較を行った。対象者(年齢、性別、喫煙状況)もモデルに組み込まれた。平均絶対誤差(MAE, L), パーセンテージ誤差(R乗)を用いて実PFTと比較した。結果: 3D-CNNモデルでは, 0.395 L, 0.383 L, パーセンテージ誤差13.84%, 18.85%, R正方形0.665, 0.679をFVCとFEV1でそれぞれ達成した。人口統計のないBeyondCTモデルでは、MAEは0.362 L、0.371 L、パーセンテージエラーは10.89%、14.96%、R平方は0.719、0.727であった。人口動態の改善 (p<0.05), MAEsが0.356 L, 0.353 L, 10.79%, 14.82%, R squareが0.77, 0.739であった。結語:BeyondCTモデルでは非造影胸部CT検査より肺機能の予測が困難であった。

関連論文リスト

Detection of subclinical atherosclerosis by image-based deep learning on chest x-ray [86.38767955626179]
460胸部X線で冠状動脈カルシウム(CAC)スコアを予測する深層学習アルゴリズムを開発した。 AICACモデルの診断精度は, 曲線下領域(AUC)で評価された。
論文参考訳（メタデータ） (2024-03-27T16:56:14Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
U-Net-based Lung Thickness Map for Pixel-level Lung Volume Estimation of Chest X-rays [4.595143640439819]
肺の厚さマップを作成したUNetを用いて, 実および合成前頭葉X線写真から肺総容積(TLV)をピクセルレベルで推定することを目的とした。 U-Netモデルは、肺の地図を予測し、TLVを推定するために、公開データセットから合成ラジオグラフィーで訓練され、試験された。
論文参考訳（メタデータ） (2021-10-24T19:09:28Z)
Automated Estimation of Total Lung Volume using Chest Radiographs and Deep Learning [4.874501619350224]
総肺量は重要な定量的バイオマーカーであり、制限肺疾患の評価に使用されます。このデータセットは、胸部X線写真から肺総量を予測するディープラーニングアーキテクチャのトレーニングに使用された。今回我々は,最先端のディープラーニングソリューションが胸部x線写真から肺総量を正確に測定できることを初めて実証した。
論文参考訳（メタデータ） (2021-05-03T21:35:16Z)
Rapid quantification of COVID-19 pneumonia burden from computed tomography with convolutional LSTM networks [1.0072268949897432]
新型肺炎における肺病変の迅速定量と分化のための新しい完全自動化ディープラーニングフレームワークを提案する。 SARS-CoV-2の陽性逆転写ポリメラーゼ連鎖反応試験結果を有する197例のCTデータセット上で,この方法の性能を評価した。
論文参考訳（メタデータ） (2021-03-31T22:09:14Z)
FLANNEL: Focal Loss Based Neural Network Ensemble for COVID-19 Detection [61.04937460198252]
正常, 細菌性肺炎, 非ウイルス性肺炎, COVID-19の4型を有する2874例のX線画像データを構築した。 FLANNEL(Focal Loss Based Neural Ensemble Network)を提案する。 FLANNELは、すべての指標において、新型コロナウイルス識別タスクのベースラインモデルを一貫して上回っている。
論文参考訳（メタデータ） (2020-10-30T03:17:31Z)
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)
Multiple resolution residual network for automatic thoracic organs-at-risk segmentation from CT [2.9023633922848586]
我々は,CT画像からのOAR分割のためのMRRN(Multiple resolution residual Network)の実装と評価を行った。提案手法は,複数画像解像度で計算された特徴ストリームと残差接続による特徴レベルを同時に組み合わせる。左肺, 心臓, 食道, 脊髄を分画する検査を35回行った肺がん患者206例の胸部CT検査を用いて, アプローチを訓練した。
論文参考訳（メタデータ） (2020-05-27T22:39:09Z)
Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
前頭部胸部X線画像の重症度予測モデルを提案する。このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
論文参考訳（メタデータ） (2020-05-24T23:13:16Z)
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)
Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images [54.919022945740515]
本研究の目的は,胸部CT画像に基づく新型コロナウイルスの重症度自動評価(非重症度または重症度)を実現することである。ランダム・フォレスト(RF)モデルは、量的特徴に基づいて重症度(非重症度または重症度)を評価するために訓練される。新型コロナウイルスの重症度を反映する可能性のあるいくつかの定量的特徴が明らかになった。
論文参考訳（メタデータ） (2020-03-26T15:49:32Z)

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。