文献

J-GLOBAL ID：202002216281772014   整理番号：20A0589992

手書き特徴と大規模データセットを用いた血管内光コヒーレンストモグラフィー画像の自動化Aライン冠動脈プラーク分類【JST・京大機械翻訳】

Automated A-line coronary plaque classification of intravascular optical coherence tomography images using handcrafted features and large datasets

著者 (8件)： Prabhu David (Case Western Reserve University, Department of Biomedical Engineering, Cleveland, Ohio, United States) ,  Bezerra Hiram G. (University Hospitals Cleveland Medical Center, Harrington Heart and Vascular Institute, Cardiovascular Imaging Core Laboratory, Cleveland, Ohio, United States) ,  Kolluru Chaitanya (Case Western Reserve University, Department of Biomedical Engineering, Cleveland, Ohio, United States) ,  Gharaibeh Yazan (Case Western Reserve University, Department of Biomedical Engineering, Cleveland, Ohio, United States) ,  Mehanna Emile (University Hospitals Cleveland Medical Center, Harrington Heart and Vascular Institute, Cardiovascular Imaging Core Laboratory, Cleveland, Ohio, United States) ,  Wu Hao (Case Western Reserve University, Department of Biomedical Engineering, Cleveland, Ohio, United States) ,  Wilson David L. (Case Western Reserve University, Department of Biomedical Engineering, Cleveland, Ohio, United States) ,  Wilson David L. (Case Western Reserve University, Department of Radiology, Cleveland, Ohio, United States)
資料名： Journal of Biomedical Optics  (Journal of Biomedical Optics)
巻： 24  号： 10  ページ： 106002  発行年： 2019年 
JST資料番号： W1782A  ISSN： 1083-3668  CODEN： JBOPFO  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 要約。本研究では,手書き特徴の包括的な集合を用いて,血管内光コヒーレンストモグラフィー(IVOCT)画像における線維性および線維石灰性A線を同定するための機械学習法を開発した。以前の研究(例えば,光減衰とA線ピーク)で開発された特徴を組み込んだ。加えて,血管内腔形態と三次元(3-D)ディジタルエッジおよびテクスチャー特徴を含んだ。分類法は,臨床的in vivo画像とex vivoデータセットの両方から成る膨張データセット(~7000画像)を用いて開発され,3-D低温画像/組織学を用いて検証された。条件付きランダムフィールドを用いて,分類結果の三次元分類雑音洗浄を実行した。著者らは,様々なマルチクラスアプローチ,分類装置,および特徴選択方式をテストし,最小冗長性-最大-増加特徴選択を有する3クラスサポートベクトルマシンが最良の性能を与えることを見出した。形態学的および3-D特徴の包含が全体的分類精度を改善することを見出した。>1700の画像から成るヘルアウトテストセットに関して,著者らは,それぞれのクラスに対して以下の(感度/特異性),81.58%の全体精度を得た:他(81.43/89.59),線維性(94.48/87.32),および線維石灰性(74.82/95.28)。分類結果の顔の見解は,自動分類が容易に疾患セグメント(例えば,石灰化されたセグメントが線維石灰化分類の大きな領域を持つ)の優位性を捉えることを示した。最後に,完全に自動化されたプラーク定量化を可能にするために,既存の線維脂質および線維石灰化境界セグメンテーション法によるA線分類出力を合理化するための概念実証を実証した。結果は,著者らの分類アプローチが,完全に自動化されたIVOCTプラーク分類と,生活時間治療計画のためのセグメンテーションと,薬物と生物学的治療のオフライン評価のための実行可能なステップであることを示唆する。Copyright The Authors Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 治療計画 ,  石灰 ,  画像処理 ,  *プラーク ,  機械学習 ,  雑音 ,  特徴選択 ,  三次元 ,  石灰化 ,  *血管 ,  分類装置 ,  *自動化 ,  自動分類 ,  低温 ,  セグメンテーション

著者キーワード (3件)： 機械学習 ,  血管内光コヒーレンストモグラフィー ,  低温イメージング

分類 (1件)： 循環系の診断  (GJ02000V)

タイトルに関連する用語 (7件)： 手書き ,  大規模データセット ,  血管 ,  光コヒーレンストモグラフィー ,  自動化 ,  冠動脈プラーク ,  分類