論文の概要: U-net based prediction of cerebrospinal fluid distribution and ventricular reflux grading
- arxiv url: http://arxiv.org/abs/2410.04460v1
- Date: Sun, 6 Oct 2024 12:17:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-02 07:16:09.739781
- Title: U-net based prediction of cerebrospinal fluid distribution and ventricular reflux grading
- Title（参考訳）: U-netによる脳脊髄液分布の予測と心室逆流グレーディング
- Authors: Melanie Rieff, Fabian Holzberger, Oksana Lapina, Geir Ringstad, Lars Magnus Valnes, Bogna Warsza, Kent-Andre Mardal, Per Kristian Eide, Barbara Wohlmuth,
- Abstract要約: 本稿では,24時間後にピーク時の画素単位の信号増加を予測するために,U-netを用いた教師付き学習モデルを提案する。
トレーニングのための最初の2時間後からのイメージングデータを使用することで、トレーサフローの予測は、追加の後期スキャンでトレーニングされたものと同等になる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Previous work shows evidence that cerebrospinal fluid (CSF) plays a crucial role in brain waste clearance processes, and that altered flow patterns are associated with various diseases of the central nervous system. In this study, we investigate the potential of deep learning to predict the distribution in human brain of a gadolinium-based CSF contrast agent (tracer) administered intrathecal. For this, T1-weighted magnetic resonance imaging (MRI) scans taken at multiple time points before and after intrathecal injection were utilized. We propose a U-net-based supervised learning model to predict pixel-wise signal increases at their peak after 24 hours. Its performance is evaluated based on different tracer distribution stages provided during training, including predictions from baseline scans taken before injection. Our findings indicate that using imaging data from just the first two hours post-injection for training yields tracer flow predictions comparable to those trained with additional later-stage scans. The model was further validated by comparing ventricular reflux gradings provided by neuroradiologists, and inter-rater grading among medical experts and the model showed excellent agreement. Our results demonstrate the potential of deep learning-based methods for CSF flow prediction, suggesting that fewer MRI scans could be sufficient for clinical analysis, which might significantly improve clinical efficiency, patient well-being, and lower healthcare costs.
- Abstract（参考訳）: これまでの研究では、脳脊髄液(CSF)が脳の廃棄物浄化過程において重要な役割を担い、変化した流れパターンが中枢神経系の様々な疾患と関連していることが示されている。
本研究では,ガドリニウム系CSF造影剤(tracer)の脳内分布を予測するための深層学習の可能性について検討した。
このため,T1強調MRI(MRI)スキャンを経皮的投与前後に複数回施行した。
本稿では,24時間後にピーク時の画素単位の信号増加を予測するために,U-netを用いた教師付き学習モデルを提案する。
その性能は、トレーニング中に提供される異なるトレーサ分布ステージに基づいて評価される。
以上の結果から, 初回2時間後の画像データから, トレーサーフローの予測値が, 追加の後期スキャンに匹敵するものであることが示唆された。
さらに, 神経放射線医が提供した心室逆流グレーディングと, 医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用医用車用リフレックスグレーディングを比較検討した結果, 良好な一致が得られた。
CSFフロー予測のための深層学習法の可能性を示し,臨床解析にMRIスキャンが有用であり,臨床効率,患者の幸福感,医療費の低減に寄与する可能性が示唆された。
関連論文リスト
- A dual-task mutual learning framework for predicting post-thrombectomy cerebral hemorrhage [42.24368372333753]
患者の初回CT検査のみを用いて術後脳出血を計測するための新しい予測枠組みを提案する。
本手法では, 最新診断法よりも追跡CTの精度が向上し, 追跡診断ラベルの精度が86.37%向上した。
論文 参考訳（メタデータ） (2024-08-01T22:08:52Z) - TADM: Temporally-Aware Diffusion Model for Neurodegenerative Progression on Brain MRI [4.414541804340033]
時間的認識拡散モデル(TADM)は,スキャン間の強度差による構造変化の分布を学習する。
トレーニング中、モデルのトレーニングプロセスを洗練するために、トレーニング済みのBrain-Age Estimator(BAE)を活用することを提案する。
我々のアプローチは、患者の結果を予測したり、患者に対する治療を改善するといった応用に役立ちます。
論文 参考訳（メタデータ） (2024-06-18T09:00:49Z) - Fusion of Diffusion Weighted MRI and Clinical Data for Predicting
Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。
AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
論文 参考訳（メタデータ） (2024-02-16T18:51:42Z) - Lesion-Specific Prediction with Discriminator-Based Supervised Guided
Attention Module Enabled GANs in Multiple Sclerosis [0.0]
多発性硬化症 (Multiple Sclerosis, MS) は、脳の白質の病変が発達するのを特徴とする慢性神経疾患である。
そこで本研究では,MSにおける将来的な病変特異的FLAIR MRIを一定時間間隔で予測するために,GAN(Generative Adversarial Network)の新たな修正を提案する。
論文 参考訳（メタデータ） (2022-08-30T20:37:38Z) - Evaluating U-net Brain Extraction for Multi-site and Longitudinal
Preclinical Stroke Imaging [0.4310985013483366]
畳み込みニューラルネットワーク(CNN)は精度を改善し、演算時間を短縮する。
U-net CNNを用いた深層学習マウス脳抽出ツールを開発した。
240のマルチモーダルMRIデータセット上で,典型的なU-netモデルをトレーニングし,検証し,テストした。
論文 参考訳（メタデータ） (2022-03-11T02:00:27Z) - Computational Image-based Stroke Assessment for Evaluation of
Cerebroprotectants with Longitudinal and Multi-site Preclinical MRI [0.4460373311150658]
SPAN(Stroke Preclinical Assessment Network)のための画像ベースストローク結果定量化のためのパイプラインを開発し,評価し,展開した。
私たちの完全に自動化されたパイプラインは、最先端のアルゴリズムとデータ分析のアプローチを組み合わせて、脳卒中の結果を評価する。
画像ベース脳卒中評価の有用性とロバスト性について検討した。
論文 参考訳（メタデータ） (2022-03-11T01:53:30Z) - Learning Personal Representations from fMRIby Predicting Neurofeedback
Performance [52.77024349608834]
機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。
この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
論文 参考訳（メタデータ） (2021-12-06T10:16:54Z) - Pseudo-domains in imaging data improve prediction of future disease
status in multi-center studies [57.712855968194305]
本研究では,多数の異なるスキャンサイトと,各サイト毎のサンプル数に対処可能な予測手法を提案する。
以上の結果より,初診後48週,12週間の肝疾患経過観察の結果から,聴力低下の予測精度が向上した。
論文 参考訳（メタデータ） (2021-11-15T09:40:54Z) - 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) - Learning Tubule-Sensitive CNNs for Pulmonary Airway and Artery-Vein
Segmentation in CT [45.93021999366973]
肺気道,動脈,静脈の分節に対する畳み込みニューラルネットワーク(CNN)の訓練は困難である。
コントラスト非造影CTにおいて,CNNによる正確な気道および動脈静脈分画法を提案する。
細気管支、動脈、静脈に対して優れた感受性を有する。
論文 参考訳（メタデータ） (2020-12-10T15:56:08Z) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳（メタデータ） (2020-07-16T17:43:13Z)
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。