論文の概要: CACTUS: An Open Dataset and Framework for Automated Cardiac Assessment and Classification of Ultrasound Images Using Deep Transfer Learning
- arxiv url: http://arxiv.org/abs/2503.05604v1
- Date: Fri, 07 Mar 2025 17:29:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-10 19:13:15.08564
- Title: CACTUS: An Open Dataset and Framework for Automated Cardiac Assessment and Classification of Ultrasound Images Using Deep Transfer Learning
- Title（参考訳）: CACTUS:Deep Transfer Learningを用いた超音波画像の自動評価・分類のためのオープンデータセットとフレームワーク
- Authors: Hanae Elmekki, Ahmed Alagha, Hani Sami, Amanda Spilkin, Antonela Mariel Zanuttini, Ehsan Zakeri, Jamal Bentahar, Lyes Kadem, Wen-Fang Xie, Philippe Pibarot, Rabeb Mizouni, Hadi Otrok, Shakti Singh, Azzam Mourad,
- Abstract要約: 本稿では,2つの主要コンポーネントからなるディープラーニング(DL)フレームワークを紹介する。
第1成分は、畳み込みニューラルネットワーク(CNN)を用いた心臓のUS画像の分類である。
第2のコンポーネントは、Transfer Learning(TL)を使用して、第1のコンポーネントから知識を微調整し、心臓画像のグレードと評価のためのモデルを作成する。
- 参考スコア（独自算出の注目度）: 14.284404065445012
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Cardiac ultrasound (US) scanning is a commonly used techniques in cardiology to diagnose the health of the heart and its proper functioning. Therefore, it is necessary to consider ways to automate these tasks and assist medical professionals in classifying and assessing cardiac US images. Machine learning (ML) techniques are regarded as a prominent solution due to their success in numerous applications aimed at enhancing the medical field, including addressing the shortage of echography technicians. However, the limited availability of medical data presents a significant barrier to applying ML in cardiology, particularly regarding US images of the heart. This paper addresses this challenge by introducing the first open graded dataset for Cardiac Assessment and ClassificaTion of UltraSound (CACTUS), which is available online. This dataset contains images obtained from scanning a CAE Blue Phantom and representing various heart views and different quality levels, exceeding the conventional cardiac views typically found in the literature. Additionally, the paper introduces a Deep Learning (DL) framework consisting of two main components. The first component classifies cardiac US images based on the heart view using a Convolutional Neural Network (CNN). The second component uses Transfer Learning (TL) to fine-tune the knowledge from the first component and create a model for grading and assessing cardiac images. The framework demonstrates high performance in both classification and grading, achieving up to 99.43% accuracy and as low as 0.3067 error, respectively. To showcase its robustness, the framework is further fine-tuned using new images representing additional cardiac views and compared to several other state-of-the-art architectures. The framework's outcomes and performance in handling real-time scans were also assessed using a questionnaire answered by cardiac experts.
- Abstract（参考訳）: 心臓超音波スキャン(英: Cardiac audio scan, US)は、心臓の健康と機能の診断に一般的に用いられる技法である。
したがって、これらのタスクを自動化し、心臓US画像の分類・評価を行う医療専門家を支援する方法を検討する必要がある。
機械学習(ML)技術は、エコー技術者の不足に対処するなど、医療分野の強化を目的とした多くの応用で成功しているため、顕著な解決策と見なされている。
しかし、医療データの入手が限られていることは、特に心臓のUS画像に関して、心臓学にMLを適用する上で大きな障壁となる。
本論文は,CACTUS (Cardiac Assessment and ClassificaTion of UltraSound) のためのオープングレードデータセットを導入することで,この問題に対処する。
このデータセットは、CAEブルーファントムをスキャンして得られた画像を含み、様々なハートビューと異なる品質レベルを表現する。
さらに,2つの主要コンポーネントからなるディープラーニング(DL)フレームワークについても紹介する。
第1成分は、畳み込みニューラルネットワーク(CNN)を用いて、心臓の視線に基づいて心臓US画像の分類を行う。
第2のコンポーネントは、Transfer Learning(TL)を使用して、第1のコンポーネントから知識を微調整し、心臓画像のグレードと評価のためのモデルを作成する。
このフレームワークは、分類とグレーディングの両方で高い性能を示し、それぞれ99.43%の精度と0.3067エラーを達成している。
その堅牢性を示すために、このフレームワークは、新たな心臓ビューを表現し、他の最先端アーキテクチャと比較して、さらに微調整されている。
リアルタイムスキャン処理におけるフレームワークの結果と性能についても,心臓の専門家が回答した質問紙を用いて評価した。
関連論文リスト
- EigenHearts: Cardiac Diseases Classification Using EigenFaces Approach [2.2851400085359685]
心疾患の分類におけるEigenFacesアプローチの応用について検討した。
我々は、心エコー図法における固有顔アプローチから着想を得た前処理ステップを実行し、ポッドモードのセットを生成し、それを固有ハートと呼ぶ。
その結果,SVDを前処理に用いた場合,分類精度は約50%向上した。
論文 参考訳（メタデータ） (2024-11-25T09:41:20Z) - Automatic Cardiac Pathology Recognition in Echocardiography Images Using Higher Order Dynamic Mode Decomposition and a Vision Transformer for Small Datasets [2.0286377328378737]
心臓病は、人間の機能不全の主な原因だ。WHOによると、心臓病のために毎年約1800万人が死亡している。
本研究では,新しい深層学習フレームワークに基づく自動心臓病理診断システムを提案する。
論文 参考訳（メタデータ） (2024-04-30T14:16:45Z) - Multi-scale, Data-driven and Anatomically Constrained Deep Learning
Image Registration for Adult and Fetal Echocardiography [4.923733944174007]
胎児と成人のエコーにおける深層学習画像登録のための3つの戦略を組み合わせた枠組みを提案する。
以上の結果から, 良好な解剖学的トポロジーと画像テクスチャは, 形状符号化およびデータ駆動型対向損失と強く結びついていることが判明した。
当社のアプローチは,光学フローやElastixなど,従来の非DLゴールド登録手法よりも優れています。
論文 参考訳（メタデータ） (2023-09-02T05:33:31Z) - Cardiac Adipose Tissue Segmentation via Image-Level Annotations [8.705311618392368]
我々は,ヒト心基質のCT画像に画像レベルのアノテーションを用いた心脂肪組織分画のための2段階の深層学習フレームワークを開発した。
本研究は, 自動組織解析の需要と高品質な画素アノテーションの欠如とのギャップを埋めるものである。
論文 参考訳（メタデータ） (2022-06-09T02:55:35Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Factored Attention and Embedding for Unstructured-view Topic-related
Ultrasound Report Generation [70.7778938191405]
本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。
提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
論文 参考訳（メタデータ） (2022-03-12T15:24:03Z) - 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) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳（メタデータ） (2021-10-12T21:22:24Z) - Automatic Identification of the End-Diastolic and End-Systolic Cardiac
Frames from Invasive Coronary Angiography Videos [6.203906656404265]
侵襲的冠動脈造影検査において, エンド拡張期(ED)とエンド収縮期(ES)の適切な画像フレームの同定が重要である。
現在の識別法は主に視覚的解釈に依存しており、時間だけでなく再現性も低い。
そこで本研究では,鍵血管点の軌跡を用いて,EDとESの心期に関連する血管画像フレームを自動的に同定する手法を提案する。
論文 参考訳（メタデータ） (2021-10-06T15:16:55Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z) - 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。