論文の概要: Cardiovascular disease classification using radiomics and geometric features from cardiac CT

• arxiv url: http://arxiv.org/abs/2506.22226v1
• Date: Fri, 27 Jun 2025 13:43:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.218586
• Title: Cardiovascular disease classification using radiomics and geometric features from cardiac CT
• Title（参考訳）: 放射能を用いた心血管疾患の分類と心臓CTの幾何学的特徴
• Authors: Ajay Mittal, Raghav Mehta, Omar Todd, Philipp Seeböck, Georg Langs, Ben Glocker,
• Abstract要約: CVD分類パイプラインを, (i) 画像分割, (ii) 画像登録, (iii) 下流CVD分類の3つのコンポーネントに分割した。 具体的には、Atlas-ISTNフレームワークと最近のセグメンテーション基礎モデルを用いて、解剖学的構造セグメンテーションと規範的健全なアトラスを生成する。 ASOCAデータセットを用いた実験により,これらの特徴を生CT画像を直接トレーニングした分類モデル(67.50%)と比較すると,CVD分類精度(87.50%)が向上することが示された。
• 参考スコア（独自算出の注目度）: 14.254217534681997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatic detection and classification of Cardiovascular disease (CVD) from Computed Tomography (CT) images play an important part in facilitating better-informed clinical decisions. However, most of the recent deep learning based methods either directly work on raw CT data or utilize it in pair with anatomical cardiac structure segmentation by training an end-to-end classifier. As such, these approaches become much more difficult to interpret from a clinical perspective. To address this challenge, in this work, we break down the CVD classification pipeline into three components: (i) image segmentation, (ii) image registration, and (iii) downstream CVD classification. Specifically, we utilize the Atlas-ISTN framework and recent segmentation foundational models to generate anatomical structure segmentation and a normative healthy atlas. These are further utilized to extract clinically interpretable radiomic features as well as deformation field based geometric features (through atlas registration) for CVD classification. Our experiments on the publicly available ASOCA dataset show that utilizing these features leads to better CVD classification accuracy (87.50\%) when compared against classification model trained directly on raw CT images (67.50\%). Our code is publicly available: https://github.com/biomedia-mira/grc-net
• Abstract（参考訳）: CT画像からの心血管疾患(CVD)の自動検出と分類は,よりインフォームドな臨床診断を容易にする上で重要な役割を担っている。 しかし、近年のディープラーニングベースの手法のほとんどは、生のCTデータを直接処理するか、エンドツーエンドの分類器を訓練することで、解剖学的心構造セグメンテーションと組み合わせて利用している。 このように、これらのアプローチは、臨床の観点から解釈することがより困難になる。 この課題に対処するため、本研究ではCVD分類パイプラインを3つのコンポーネントに分割する。 (i)画像分割 (ii)画像登録、及び (iii)下流CVD分類。 具体的には、Atlas-ISTNフレームワークと最近のセグメンテーション基礎モデルを用いて、解剖学的構造セグメンテーションと規範的健全なアトラスを生成する。 さらに、CVD分類のための変形場に基づく幾何学的特徴(アトラス登録)を抽出するために、臨床的に解釈可能な放射能の特徴を抽出するためにも用いられる。 ASOCAデータセットを用いた実験により,これらの特徴を利用することで,生CT画像を直接トレーニングした分類モデル(67.50\%)と比較して,CVD分類精度が87.50\%向上することが示された。 私たちのコードは、https://github.com/biomedia-mira/grc-net.comで公開されています。

関連論文リスト

• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• High Accuracy Pulmonary Vessel Segmentation for Contrast and Non-contrast CT Images and Clinical Evaluation [7.2151442883882]
  造影CT画像と非造影CT画像から肺血管の自動分画を行うための3次元画像分画アルゴリズムを提案する。 我々は、複数のベンダーや国から427セットの高精度CTデータを用いてモデルを訓練し、NCCTデータに対して0.892, 0.861, 0.924, 0.925, 0.903, 0.949のCl-DICE, Cl-リコールおよびリコール値を得た。
  論文  参考訳（メタデータ） (2025-03-21T09:54:42Z)
• A Classification-Based Adaptive Segmentation Pipeline: Feasibility Study Using Polycystic Liver Disease and Metastases from Colorectal Cancer CT Images [0.261201916989931]
  本研究の目的は,効率的なセグメンテーションモデル構築のためのワークフロー構築の可能性を検討することである。 画像を自動的に分類し、適切なセグメンテーションモデルにルーティングするディープラーニングモデルを実装することで、ワークフローが画像に異なる病理を正確に分割できることを期待する。
  論文  参考訳（メタデータ） (2024-05-02T18:05:37Z)
• Coronary artery segmentation in non-contrast calcium scoring CT images using deep learning [2.2687766762329886]
  非コントラスト心エコー画像における冠状動脈のセグメンテーションのためのディープラーニングアルゴリズムを提案する。 テストGTを作成するために,手動メッシュ画像登録のための新しい手法を提案する。 実験結果から,トレーニングに使用するGTよりもトレーニングモデルの精度が有意に高く,相互変動に近いDiceとclDiceの測定値が得られた。
  論文  参考訳（メタデータ） (2024-03-04T23:40:02Z)
• Explanations of Classifiers Enhance Medical Image Segmentation via End-to-end Pre-training [37.11542605885003]
  医用画像セグメンテーションは、ディープニューラルネットワークを用いて、胸部X線写真などの医用画像の異常な構造を特定し、発見することを目的としている。 我々の研究は、よく訓練された分類器から説明を集め、セグメンテーションタスクの擬似ラベルを生成する。 次に、インテグレート・グラディエント(IG)法を用いて、分類器から得られた説明を蒸留し、強化し、大規模診断指向のローカライゼーション・ラベル(DoLL)を生成する。 これらのDLLアノテーション付き画像は、新型コロナウイルス感染症、肺、心臓、鎖骨などの下流のセグメンテーションタスクのために、モデルを微調整する前に事前訓練するために使用される。
  論文  参考訳（メタデータ） (2024-01-16T16:18:42Z)
• A 3D deep learning classifier and its explainability when assessing coronary artery disease [2.749052158388996]
  冠動脈疾患の早期発見と診断は、命を救い、医療費を削減できる。 現在のほとんどのアプローチはディープラーニング手法を利用しているが、中心線抽出と多平面再構成が必要である。 提案手法は,最先端モデルの分類精度を21.43%向上させる。
  論文  参考訳（メタデータ） (2023-07-29T14:54:50Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• 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)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。