論文の概要: Deep Learning Pipeline for Fully Automated Myocardial Infarct Segmentation from Clinical Cardiac MR Scans

• arxiv url: http://arxiv.org/abs/2502.03272v1
• Date: Wed, 05 Feb 2025 15:29:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:28:09.624174
• Title: Deep Learning Pipeline for Fully Automated Myocardial Infarct Segmentation from Clinical Cardiac MR Scans
• Title（参考訳）: クリニカル心臓MRスキャンによる完全自動心筋梗塞分離のためのディープラーニングパイプライン
• Authors: Matthias Schwab, Mathias Pamminger, Christian Kremser, Agnes Mayr,
• Abstract要約: 本研究の目的は,脳梗塞のセグメンテーションを完全自動で行うディープ・ラーニング・ベースの手法を開発し,評価することである。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Purpose: To develop and evaluate a deep learning-based method that allows to perform myocardial infarct segmentation in a fully-automated way. Materials and Methods: For this retrospective study, a cascaded framework of two and three-dimensional convolutional neural networks (CNNs), specialized on identifying ischemic myocardial scars on late gadolinium enhancement (LGE) cardiac magnetic resonance (CMR) images, was trained on an in-house training dataset consisting of 144 examinations. On a separate test dataset from the same institution, including images from 152 examinations obtained between 2021 and 2023, a quantitative comparison between artificial intelligence (AI)-based segmentations and manual segmentations was performed. Further, qualitative assessment of segmentation accuracy was evaluated for both human and AI-generated contours by two CMR experts in a blinded experiment. Results: Excellent agreement could be found between manually and automatically calculated infarct volumes ($\rho_c$ = 0.9). The qualitative evaluation showed that compared to human-based measurements, the experts rated the AI-based segmentations to better represent the actual extent of infarction significantly (p < 0.001) more often (33.4% AI, 25.1% human, 41.5% equal). On the contrary, for segmentation of microvascular obstruction (MVO), manual measurements were still preferred (11.3% AI, 55.6% human, 33.1% equal). Conclusion: This fully-automated segmentation pipeline enables CMR infarct size to be calculated in a very short time and without requiring any pre-processing of the input images while matching the segmentation quality of trained human observers. In a blinded experiment, experts preferred automated infarct segmentations more often than manual segmentations, paving the way for a potential clinical application.
• Abstract（参考訳）: 目的:完全自動で心筋梗塞セグメンテーションを行う深層学習法の開発と評価を行う。 材料と方法:2次元および3次元畳み込みニューラルネットワーク(CNN)のカスケードフレームワークを用いて,後期ガドリニウム増強(LGE)心磁気共鳴(CMR)画像の虚血性心筋病変の同定を行った。 2021年から2023年の間に得られた152件の検査から得られた画像を含む、同一施設からの別の試験データセットにおいて、人工知能(AI)ベースのセグメンテーションと手動セグメンテーションの定量的比較を行った。 さらに,2人のCMR専門家による視覚障害実験において,ヒトおよびAI生成輪郭のセグメンテーション精度の質的評価を行った。 結果:手動で計算した梗塞量(\rho_c$ = 0.9)と自動計算された梗塞量との間には,良好な一致が認められた。 定性的な評価は、人間による測定と比較すると、専門家はAIベースのセグメンテーションを、脳梗塞の実際の範囲をより正確に表すため(p < 0.001)、より頻繁に(33.4%AI、25.1%人間、41.5%等)と評価した。 それとは対照的に、微小血管閉塞(MVO)のセグメンテーションでは、手動測定が依然として好まれていた(11.3%AI、55.6%人間、33.1%等)。 結論: この完全自動セグメンテーションパイプラインは、訓練された人間の観察者のセグメンテーション品質に適合しながら、入力画像の事前処理を必要とせず、非常に短時間でCMR梗塞サイズの計算を可能にする。 盲目の実験では、専門家は手動のセグメンテーションよりも自動梗塞セグメンテーションを優先し、潜在的な臨床応用への道を開いた。

関連論文リスト

• TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
  本研究では,TotalSegmentatorをMR画像に拡張した。 このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。 このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
  論文  参考訳（メタデータ） (2024-05-29T20:15:54Z)
• Random Expert Sampling for Deep Learning Segmentation of Acute Ischemic Stroke on Non-contrast CT [2.0296858917615856]
  急性期脳梗塞患者233例の非コントラストCTは260例であった。 U-Netベンチマークは、経験豊富な3人の神経放射線学者の基準アノテーションに基づいて、多数決とランダムな専門家サンプリングトレーニングスキームを用いて虚血性脳組織を分別するように訓練された。 ランダムな専門家サンプリングに基づいてトレーニングされたモデルでは、CT灌流に似た非コントラストCT上の急性虚血性脳組織の存在と位置を専門家よりも優れた一貫性で特定することができる。
  論文  参考訳（メタデータ） (2023-09-07T16:59:38Z)
• Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
  我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。 提案手法はラベル集約段階において手作業によるアノテーションに依存しない。 我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
  論文  参考訳（メタデータ） (2023-07-25T09:48:13Z)
• Deep Learning Pipeline for Preprocessing and Segmenting Cardiac Magnetic Resonance of Single Ventricle Patients from an Image Registry [1.1094040761152786]
  データは3つのディープラーニングモデルを含むパイプラインのトレーニングと評価に使用された。 パイプラインのパフォーマンスは、DiceとIoUのスコアに基づいて、自動化された標準手動セグメンテーションと参照された手動セグメンテーションの間で評価された。
  論文  参考訳（メタデータ） (2023-03-21T08:37:15Z)
• MyoPS: A Benchmark of Myocardial Pathology Segmentation Combining Three-Sequence Cardiac Magnetic Resonance Images [84.02849948202116]
  本研究は,MyoPS(MyoPS)の医療画像解析における新たな課題を定義するものである。 myoPSは、MICCAI 2020とともにMyoPSチャレンジで最初に提案された3シーケンスの心臓磁気共鳴(CMR)画像を組み合わせている。 この課題は45対のCMR画像と予め整列されたCMR画像を提供し、アルゴリズムは3つのCMRシーケンスから補完的な情報を結合して病理領域を分割することを可能にする。
  論文  参考訳（メタデータ） (2022-01-10T06:37:23Z)
• Evaluation of deep learning-based myocardial infarction quantification using Segment CMR software [0.0]
  本研究は,Segment Cardiovascular magnetic resonance (CMR) ソフトウェアにおける深部学習を用いて,心筋梗塞 (MI) の大きさの定量化の自動化に関する予備研究である。 MIの大きさを実験的に評価したところ, ネットワークを用いた結果の50%以上(平均梗塞傷量), 75%以上(平均梗塞量), 65%(平均微小血管閉塞率)は, 専門的記述に基づく結果とほぼ一致していた。
  論文  参考訳（メタデータ） (2020-12-16T16:49:50Z)
• 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)
• 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。