論文の概要: Improving the Scan-rescan Precision of AI-based CMR Biomarker Estimation
- arxiv url: http://arxiv.org/abs/2408.11754v1
- Date: Wed, 21 Aug 2024 16:24:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-22 16:18:16.531769
- Title: Improving the Scan-rescan Precision of AI-based CMR Biomarker Estimation
- Title（参考訳）: AIに基づくCMRバイオマーカー推定におけるスキャン-スキャン精度の向上
- Authors: Dewmini Hasara Wickremasinghe, Yiyang Xu, Esther Puyol-Antón, Paul Aljabar, Reza Razavi, Andrew P. King,
- Abstract要約: ディープラーニング(DL)法を用いた心血管磁気共鳴(CMR)データからの心臓バイオマーカーの定量化には多くの利点がある。
しかし、バイオマーカー推定のスキャン-スキャン精度に焦点を当てた研究はごくわずかである。
そこで本研究では,高セグメンテーション精度だけでなく,スキャン・レスカン精度の向上にも焦点をあてたバイオマーカー推定パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 1.794594355220496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantification of cardiac biomarkers from cine cardiovascular magnetic resonance (CMR) data using deep learning (DL) methods offers many advantages, such as increased accuracy and faster analysis. However, only a few studies have focused on the scan-rescan precision of the biomarker estimates, which is important for reproducibility and longitudinal analysis. Here, we propose a cardiac biomarker estimation pipeline that not only focuses on achieving high segmentation accuracy but also on improving the scan-rescan precision of the computed biomarkers, namely left and right ventricular ejection fraction, and left ventricular myocardial mass. We evaluate two approaches to improve the apical-basal resolution of the segmentations used for estimating the biomarkers: one based on image interpolation and one based on segmentation interpolation. Using a database comprising scan-rescan cine CMR data acquired from 92 subjects, we compare the performance of these two methods against ground truth (GT) segmentations and DL segmentations obtained before interpolation (baseline). The results demonstrate that both the image-based and segmentation-based interpolation methods were able to narrow Bland-Altman scan-rescan confidence intervals for all biomarkers compared to the GT and baseline performances. Our findings highlight the importance of focusing not only on segmentation accuracy but also on the consistency of biomarkers across repeated scans, which is crucial for longitudinal analysis of cardiac function.
- Abstract（参考訳）: ディープラーニング(DL)法を用いた心血管磁気共鳴(CMR)データからの心臓バイオマーカーの定量化は、精度の向上や解析の高速化など、多くの利点がある。
しかし、再現性と縦断解析に重要なバイオマーカー推定のスキャン-スキャン精度に焦点を当てた研究はごくわずかである。
本稿では,高いセグメンテーション精度を達成することだけでなく,左室および右室の放出率,左室の心筋質量の走査精度の向上にも焦点をあてた心臓バイオマーカー推定パイプラインを提案する。
バイオマーカーの推定に使用するセグメンテーションの根本的・基本的分解能を改善するために,画像補間に基づくものとセグメンテーション補間に基づくものである。
92名の被験者から得られたスキャン・スキャン・シネCMRデータからなるデータベースを用いて, 補間前(ベースライン)に得られたグラウンド・真理(GT)セグメンテーションとDLセグメンテーションとの比較を行った。
以上の結果から,GTおよびベースライン性能と比較して,画像ベースおよびセグメント化に基づく補間法は,すべてのバイオマーカーに対してBland-Altmanスキャン-Rescan信頼区間を狭めることができた。
心機能の経時的解析には, セグメンテーションの精度だけでなく, バイオマーカーの連続性にも注目が集まっている。
関連論文リスト
- Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Improving the diagnosis of breast cancer based on biophysical ultrasound
features utilizing machine learning [0.0]
乳がん検出のための生物物理学的特徴に基づく機械学習手法を提案する。
以上より, 乳腺病変のタイプとサイズは, 分類では98.0%, 操作特性曲線では0.98以上であった。
論文 参考訳（メタデータ） (2022-07-13T23:53:09Z) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳（メタデータ） (2022-05-06T08:37:02Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳（メタデータ） (2022-03-23T00:58:27Z) - AI-enabled Assessment of Cardiac Systolic and Diastolic Function from
Echocardiography [1.0082848901582044]
左室機能(LV)は, 心疾患患者の管理, 予後, 長期生存において重要な因子である。
最近発表された心不全に関する臨床ガイドラインは、心機能の1つの尺度のみに依存することが最適であることを認めている。
近年,AIを用いた心エコー図法が進歩し,LV容積とLV放出率の自動推定に優れた結果が得られた。
論文 参考訳（メタデータ） (2022-03-21T10:59:48Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Lung Nodule Classification Using Biomarkers, Volumetric Radiomics and 3D
CNNs [0.0699049312989311]
放射線医のアノテーションとCTスキャンの画像分類を併用して肺悪性度を推定するハイブリッドアルゴリズムを提案する。
提案アルゴリズムは3次元畳み込みニューラルネットワーク(CNN)とランダムフォレストを用いて,CT画像とバイオマーカーのアノテーションと放射能の特徴を組み合わせる。
画像バイオマーカーのみを用いたモデルは,バイオマーカーをボリュームラジオミクス,3D CNN,セミ教師付き学習と組み合わせたモデルよりも精度が高いことを示す。
論文 参考訳（メタデータ） (2020-10-19T18:57:26Z) - Cardiac Segmentation on Late Gadolinium Enhancement MRI: A Benchmark
Study from Multi-Sequence Cardiac MR Segmentation Challenge [43.01944884184009]
本稿では,MII 2019とともに,Multi-Sequence MR (MS-CMR) チャレンジの選択的結果を示す。
新しいアルゴリズムを開発し、LGE CMRセグメンテーションのための既存のアルゴリズムをベンチマークし、客観的に比較することを目的としていた。
これらの手法の成功は主に、MS-CMR画像からの補助的配列を含むことによる。
論文 参考訳（メタデータ） (2020-06-22T17:04:38Z) - 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。