論文の概要: 3D Convolutional Neural Networks for Improved Detection of Intracranial bleeding in CT Imaging

• arxiv url: http://arxiv.org/abs/2503.20306v1
• Date: Wed, 26 Mar 2025 08:10:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 19:18:47.10353
• Title: 3D Convolutional Neural Networks for Improved Detection of Intracranial bleeding in CT Imaging
• Title（参考訳）: CT画像における頭蓋内出血検出のための3次元畳み込みニューラルネットワーク
• Authors: Bargava Subramanian, Naveen Kumarasami, Praveen Shastry, Kalyan Sivasailam, Anandakumar D, Elakkiya R, Harsha KG, Rithanya V, Harini T, Afshin Hussain, Kishore Prasath Venkatesh,
• Abstract要約: 脳内出血(Intracranial bleeding, IB)は、外傷性脳損傷によって引き起こされる致命的な疾患である。 従来のイメージングは遅く、特に高圧のシナリオでは変動しがちである。 本稿では、緊急時にIB検出を変換するAIの役割について説明する。
• 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: Background: Intracranial bleeding (IB) is a life-threatening condition caused by traumatic brain injuries, including epidural, subdural, subarachnoid, and intraparenchymal hemorrhages. Rapid and accurate detection is crucial to prevent severe complications. Traditional imaging can be slow and prone to variability, especially in high-pressure scenarios. Artificial Intelligence (AI) provides a solution by quickly analyzing medical images, identifying subtle hemorrhages, and flagging urgent cases. By enhancing diagnostic speed and accuracy, AI improves workflows and patient care. This article explores AI's role in transforming IB detection in emergency settings. Methods: A U-shaped 3D Convolutional Neural Network (CNN) automates IB detection and classification in volumetric CT scans. Advanced preprocessing, including CLAHE and intensity normalization, enhances image quality. The architecture preserves spatial and contextual details for precise segmentation. A dataset of 2,912 annotated CT scans was used for training and evaluation. Results: The model achieved high performance across major bleed types, with precision, recall, and accuracy exceeding 90 percent in most cases 96 percent precision for epidural hemorrhages and 94 percent accuracy for subarachnoid hemorrhages. Its ability to classify and localize hemorrhages highlights its clinical reliability. Conclusion: This U-shaped 3D CNN offers a scalable solution for automating IB detection, reducing diagnostic delays, and improving emergency care outcomes. Future work will expand dataset diversity, optimize real-time processing, and integrate multimodal data for enhanced clinical applicability.
• Abstract（参考訳）: 背景: 頭蓋内出血(IB)は, 硬膜外, 硬膜下, くも膜下, 神経内出血などの外傷性脳損傷によって引き起こされる生命予後である。 重篤な合併症を予防するためには、迅速かつ正確な検出が不可欠である。 従来のイメージングは遅く、特に高圧のシナリオでは変動しがちである。 人工知能(AI)は、医療画像の迅速な分析、微妙な出血の特定、緊急ケースのフラグ付けによる解決策を提供する。 診断のスピードと精度を向上させることで、AIはワークフローと患者のケアを改善します。 本稿では、緊急時にIB検出を変換するAIの役割について説明する。 方法:U字型3次元畳み込みニューラルネットワーク(CNN)は、体積CTスキャンでIBの検出と分類を自動化する。 CLAHEや強度正規化を含む高度な前処理により、画質が向上する。 このアーキテクチャは、正確なセグメンテーションのために空間的および文脈的詳細を保存する。 トレーニングと評価には2,912個のCTスキャンが使用された。 結果: 本モデルでは, 硬膜外出血の96%, くも膜下出血の94%の精度で, 精度, リコール, 精度が90%以上であった。 出血を分類し、局所化する能力は、その臨床的信頼性を強調している。 結論: このU字型3D CNNは、IB検出の自動化、診断遅延の低減、緊急治療結果の改善のためのスケーラブルなソリューションを提供する。 今後は、データセットの多様性を拡張し、リアルタイム処理を最適化し、臨床応用性を高めるためにマルチモーダルデータを統合していく予定だ。

関連論文リスト

• A Non-contrast Head CT Foundation Model for Comprehensive Neuro-Trauma Triage [5.39145170841044]
  AIと医用画像の最近の進歩は、緊急頭部CTの解釈にトランスフォーメーションの可能性をもたらす。 本研究では, 多様な神経外傷所見を高精度かつ効率的に検出するための3次元基礎モデルを提案する。
  論文  参考訳（メタデータ） (2025-02-28T14:44:55Z)
• Automatic Tissue Differentiation in Parotidectomy using Hyperspectral Imaging [43.158227137013874]
  この研究では、400-1000$ nmの範囲で超スペクトルデータを持つ3次元畳み込みニューラルネットワークを用いる。 取得システムはステレオHSIシステムを作成する2台のマルチスペクトルスナップショットカメラで構成された。
  論文  参考訳（メタデータ） (2024-12-06T09:20:59Z)
• Detection of Intracranial Hemorrhage for Trauma Patients [1.0074894923170512]
  本稿では,Voxel-Complete IoU(VC-IoU)損失を新たに提案し,ネットワークが境界ボックスの3次元アスペクト比を学習できるようにする。 我々は、公開データセットを用いて脳出血の検出を広範囲に実験し、それをプライベートコホートで検証した。
  論文  参考訳（メタデータ） (2024-08-20T12:03:59Z)
• Advanced AI Framework for Enhanced Detection and Assessment of Abdominal Trauma: Integrating 3D Segmentation with 2D CNN and RNN Models [5.817643726988823]
  本研究は, 腹部外傷診断の高速化と精度向上を目的として, 人工知能(AI)と機械学習(ML)の応用について検討した。 我々は、診断性能を向上させるために、3Dセグメント化、2D畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)を組み合わせた高度なAIモデルを開発した。 本モデルでは腹部CTでリアルタイム, 正確な評価を行い, 臨床診断と患者成績の改善を図る。
  論文  参考訳（メタデータ） (2024-07-23T04:18:34Z)
• Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
  超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。 我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
  論文  参考訳（メタデータ） (2024-04-15T02:41:55Z)
• Enhancing mTBI Diagnosis with Residual Triplet Convolutional Neural Network Using 3D CT [1.0621519762024807]
  3D Computed Tomography (CT) 画像を用いた mTBI 診断の革新的手法を提案する。 我々は,mTBI症例と健常症例を識別するために,Residual Triplet Convolutional Neural Network (RTCNN)モデルを提案する。 我々のRTCNNモデルはmTBI診断において有望な性能を示し、平均精度は94.3%、感度は94.1%、特異性は95.2%である。
  論文  参考訳（メタデータ） (2023-11-23T20:41:46Z)
• Liver Tumor Screening and Diagnosis in CT with Pixel-Lesion-Patient Network [37.931408083443074]
  Pixel-Lesion-pAtient Network (PLAN) は, アンカークエリの改善と前景のサンプリング損失による各病変の分割と分類を行う。 PLANは95%と96%の患者レベルの感度と特異性を達成している。 造影CTでは, 病変レベルの検出精度, リコール, 分類精度は92%, 89%, 86%であり, CNNやトランスフォーマーよりも優れていた。
  論文  参考訳（メタデータ） (2023-07-17T06:21:45Z)
• Deep-Learning Tool for Early Identifying Non-Traumatic Intracranial Hemorrhage Etiology based on CT Scan [40.51754649947294]
  深層学習モデルは、2011年1月から2018年4月までに収集された非外傷性ICHを用いた1868個のNCCTスキャンを用いて開発された。 診断成績は臨床医の成績と比較した。 臨床医は, システム拡張による特定の出血エチオロジーの感度, 特異性, 精度を著しく改善した。
  論文  参考訳（メタデータ） (2023-02-02T08:45:17Z)
• Diagnose Like a Radiologist: Hybrid Neuro-Probabilistic Reasoning for Attribute-Based Medical Image Diagnosis [42.624671531003166]
  本稿では,属性に基づく医用画像診断のためのハイブリッド型ニューロ確率推論アルゴリズムを提案する。 我々は,ハイブリッド推論アルゴリズムを2つの困難な画像診断タスクに適用することに成功している。
  論文  参考訳（メタデータ） (2022-08-19T12:06:46Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• 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)
• The interpretation of endobronchial ultrasound image using 3D convolutional neural network for differentiating malignant and benign mediastinal lesions [3.0969191504482247]
  本研究の目的は,内胚葉超音波(EBUS)画像を用いて悪性病変と良性病変を鑑別することである。 我々のモデルはノイズに耐性があり、EBUSビデオの様々な画像特徴と願望を融合させることができる。
  論文  参考訳（メタデータ） (2021-07-29T08:38:17Z)
• A Learning-based Method for Online Adjustment of C-arm Cone-Beam CT Source Trajectories for Artifact Avoidance [47.345403652324514]
  市販CBCT装置で実現可能な復元品質はペダルスクリューの存在下での金属加工品のため不十分である。 そこで本研究では,C-arm CBCTソーストラジェクトリをスキャン中に調整し,特定のタスクに対する再構成品質を最適化することを提案する。 リアルにシミュレートされたデータに基づいてトレーニングされた畳み込みニューラルネットワークは、CBCTソース軌跡のシーン特異的な調整を可能にする品質指標を予測することができることを示す。
  論文  参考訳（メタデータ） (2020-08-14T09:23:50Z)

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。