論文の概要: CLAIRE-DSA: Fluoroscopic Image Classification for Quality Assurance of Computer Vision Pipelines in Acute Ischemic Stroke
- arxiv url: http://arxiv.org/abs/2508.12755v1
- Date: Mon, 18 Aug 2025 09:28:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:11.153252
- Title: CLAIRE-DSA: Fluoroscopic Image Classification for Quality Assurance of Computer Vision Pipelines in Acute Ischemic Stroke
- Title（参考訳）: CLAIRE-DSA:急性虚血性脳卒中におけるコンピュータビジョンパイプラインの品質保証のための蛍光画像分類
- Authors: Cristo J. van den Berg, Frank G. te Nijenhuis, Mirre J. Blaauboer, Daan T. W. van Erp, Carlijn M. Keppels, Matthijs van der Sluijs, Bob Roozenbeek, Wim van Zwam, Sandra Cornelissen, Danny Ruijters, Ruisheng Su, Theo van Walsum,
- Abstract要約: CLAIRE-DSAは、急性虚血性脳梗塞(AIS)に対する機械的血栓摘出術(MT)中に獲得した最小強度投射(MinIP)における重要な画像特性の分類を目的としたフレームワークである。
CLAIRE-DSAはトレーニング済みのResNetバックボーンモデルを使用し、9つの画像特性(コントラスト、投影角、モーションアーティファクトの重症度など)を予測するように微調整されている。
- 参考スコア（独自算出の注目度）: 1.3309982867685544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer vision models can be used to assist during mechanical thrombectomy (MT) for acute ischemic stroke (AIS), but poor image quality often degrades performance. This work presents CLAIRE-DSA, a deep learning--based framework designed to categorize key image properties in minimum intensity projections (MinIPs) acquired during MT for AIS, supporting downstream quality control and workflow optimization. CLAIRE-DSA uses pre-trained ResNet backbone models, fine-tuned to predict nine image properties (e.g., presence of contrast, projection angle, motion artefact severity). Separate classifiers were trained on an annotated dataset containing $1,758$ fluoroscopic MinIPs. The model achieved excellent performance on all labels, with ROC-AUC ranging from $0.91$ to $0.98$, and precision ranging from $0.70$ to $1.00$. The ability of CLAIRE-DSA to identify suitable images was evaluated on a segmentation task by filtering poor quality images and comparing segmentation performance on filtered and unfiltered datasets. Segmentation success rate increased from $42%$ to $69%$, $p < 0.001$. CLAIRE-DSA demonstrates strong potential as an automated tool for accurately classifying image properties in DSA series of acute ischemic stroke patients, supporting image annotation and quality control in clinical and research applications. Source code is available at https://gitlab.com/icai-stroke-lab/wp3_neurointerventional_ai/claire-dsa.
- Abstract（参考訳）: コンピュータビジョンモデルは、急性虚血性脳梗塞(AIS)に対する機械的血栓摘出術(MT)の補助に用いられるが、画像品質の低下は、しばしばパフォーマンスを低下させる。
本研究では,AIS MT で取得した最小強度投影 (MinIP) における鍵画像特性の分類を目的とした,ディープラーニングベースのフレームワーク CLAIRE-DSA を提案する。
CLAIRE-DSAは、トレーニング済みのResNetバックボーンモデルを使用し、9つの画像特性(例えば、コントラストの存在、投影角、モーションアーティファクトの重症度)を予測するように微調整されている。
別個の分類器を1,758ドルの蛍光ミニIPを含む注釈付きデータセットで訓練した。
ROC-AUCは0.91ドルから0.98ドル、精度は0.70ドルから1.00ドルである。
CLAIRE-DSAが適切な画像を特定する能力は、品質の悪い画像をフィルタリングし、フィルタされたデータセットとフィルタされていないデータセットのセグメンテーション性能を比較することによって、セグメンテーションタスクで評価された。
セグメンテーションの成功率は42%$から69%$、$p < 0.001$へと増加した。
CLAIRE-DSAは、急性虚血性脳梗塞患者のDSAシリーズにおける画像特性を正確に分類する自動化ツールとして強力な可能性を示し、臨床および研究の分野で画像アノテーションと品質管理をサポートする。
ソースコードはhttps://gitlab.com/icai-stroke-lab/wp3_neurointerventional_ai/claire-dsaで公開されている。
関連論文リスト
- Predicting Satisfied User and Machine Ratio for Compressed Images: A Unified Approach [58.71009078356928]
圧縮画像のSUR(Satified User Ratio)とSMR(Satified Machine Ratio)を同時に予測するディープラーニングモデルを構築した。
実験結果から,提案手法は最先端SURおよびSMR予測法より有意に優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-12-23T11:09:30Z) - A Single Graph Convolution Is All You Need: Efficient Grayscale Image Classification [3.0299904110792255]
グレースケール画像分類は、医用画像やSAR ATRなどの分野で重要な応用がある。
画像のベクトル化ビューを用いた新しいグレースケール画像分類手法を提案する。
提案手法では,単一のグラフ畳み込み層をバッチ的に組み込んで,精度の向上と性能のばらつきの低減を図る。
論文 参考訳（メタデータ） (2024-02-01T12:50:48Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:05:06Z) - Measuring Self-Supervised Representation Quality for Downstream
Classification using Discriminative Features [56.89813105411331]
我々は,SimCLR,SwaV,MoCo,BYOL,DINO,SimSiam,VICReg,Barlow Twinsといった最先端の自己教師型モデルの表現空間について検討した。
本稿では,標本が誤分類される可能性を確実に予測できる教師なしスコアである自己監督表現品質スコア(Qスコア)を提案する。
Q-Score正規化による微調整により、SSLモデルの線形探索精度はImageNet-100で5.8%、ImageNet-1Kで3.7%向上する。
論文 参考訳（メタデータ） (2022-03-03T17:48:23Z) - A Comprehensive Study of Image Classification Model Sensitivity to
Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
このデータセットをRIVAL10と呼びます。
本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。
本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
論文 参考訳（メタデータ） (2022-01-26T06:31:28Z) - Colorectal Polyp Classification from White-light Colonoscopy Images via
Domain Alignment [57.419727894848485]
大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。
これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。
正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-08-05T09:31:46Z) - A Deep Learning-based Quality Assessment and Segmentation System with a
Large-scale Benchmark Dataset for Optical Coherence Tomographic Angiography
Image [16.31881124375424]
我々は,深層ニューラルネットワークを用いたコンピュータ支援OCTA画像処理システムを開発し,眼科医の臨床診断・研究を支援する。
大規模なOCTAデータセット、すなわちOCTA-25K-IQA-SEGを公開して性能評価を行う。
論文 参考訳（メタデータ） (2021-07-22T06:32:10Z) - DeepSMILE: Contrastive self-supervised pre-training benefits MSI and HRD
classification directly from H&E whole-slide images in colorectal and breast
cancer [22.46523830554047]
ヘマトキシリンおよびエオシン染色腫瘍組織の全スライド画像(WSI)を解析するための深層学習に基づく弱ラベル学習法を提案する。
We apply DeepSMILE to the task of Homologous recombination deficiency (HRD) and microsatellite instability (MSI) prediction。
論文 参考訳（メタデータ） (2021-07-20T11:00:16Z) - An Efficient Cervical Whole Slide Image Analysis Framework Based on
Multi-scale Semantic and Spatial Features using Deep Learning [2.7218168309244652]
本研究では,YOLCO(You Only Look Cytopathology Once)という名前の軽量モデルを構築するために,マルチスケール接続を充実させることにより,新しいインライン接続ネットワーク(InCNet)を設計する。
提案したモデルでは、入力サイズをメガピクセルに拡大し、平均リピートで重なり合うことなくWSIを縫合することができる。
統合マルチスケールマルチタスクの特徴を分類するためのTransformerに基づいて、実験結果は、WSI分類における従来の方法よりも0.872$ AUCスコアが良く、2.51times$速く見える。
論文 参考訳（メタデータ） (2021-06-29T06:24:55Z) - SISE-PC: Semi-supervised Image Subsampling for Explainable Pathology [0.7226144684379189]
我々は,最も不確定なoct画像サンプルを含む最小のサブサンプリングデータセットを識別する,新しいアクティブラーニングフレームワークを提案する。
提案手法は予測コストを最小化するために他の医用画像にも拡張できる。
論文 参考訳（メタデータ） (2021-02-23T09:00:15Z)
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。